建议不要改动。

R^{2}=\frac{S S R}{S S T}=\frac{\sum\left(\hat{y}_{i}-\bar{y}\right)^{2}}{\sum\left(y_{i}-\bar{y}\right)^{2}}=1-\frac{\sum\left(y_{i}-\hat{y}_{i}\right)^{2}}{\sum\left(y_{i}-\bar{y}\right)^{2}}

从图片中可以看出：

\sum\left(y_{i}-\bar{y}\right)^{2}=\sum\left(y_{i}-\hat{y}_{i}\right)^{2}+\sum\left(\hat{y}_{i}-\bar{y}\right)^{2}

左边称为总平方和 SST ，它可以分解为两部分 \sum\left(y_{i}-\hat{y}_{i}\right)^{2} 指的是各实际观测点与回归值的残差 \left(y_{i}-\hat{y}_{i}\right) 平方和，它是指除了 x 对 y 的线性影响之外的其它因素引起的y的变化部分，是不能用回归直线来解释 y_{i} 的变差部分。所以称为残差平方和，简称 SSE 。而， \hat{y}_{i}-\bar{y} 可以看作是由于自变量 x 的变化引起的 y 的变化部分，是可以用回归直线来解释 y_{i} 的变差部分。简称 SSR 。所以

SST=SSR+SSE（SSR=SST-SSE）。

所以对于模型来讲肯定是能用回归直线解释的变差部分越大越好，也就是说明SSR占SST的比例越大，解释越多，同时也可以说明直线拟合的越好，所以我们引出一个指标R方，回归平方和占总平方和的比例，即为R方。计算公式为：

R^{2}=\frac{S S R}{S S T}=\frac{\sum\left(\hat{y}_{i}-\bar{y}\right)^{2}}{\sum\left(y_{i}-\bar{y}\right)^{2}}=1-\frac{\sum\left(y_{i}-\hat{y}_{i}\right)^{2}}{\sum\left(y_{i}-\bar{y}\right)^{2}}

R 方测度了回归直线对观测数据的拟合程度，如果说所有的观测点都落在直线上，则SSE=0，此时 R^2 =1,拟合是完全的，如果y的变化与X无关，则SSR=0，也就是 R^2 =0，所以可以得到R方的取值范围在【0,1】，同时根据计算公式，也可以得到，R方越接近1说明SSR占SST的占比越大，也就是说明模型拟合越好，反之，如果R方越接近1，说明SSR占SST的占比越小，被解释部分越少，模型拟合越差。

一般在线性回归模型中，如果R方值为0.15，则说明这只能解释模型总变差的25％，但是在模型中研究者更多会关注自变量对因变量是否有影响，R方只是简单的输出说明。

R方可以自己计算也可以借助数据分析工具进行输出，这里利用SPSSAU举例进行说明。

从结果可以看出，不良贷款（亿元）会对本年累计应收贷款（亿元）产生显著的正向影响关系。贷款项目个数（个）并不会对本年累计应收贷款（亿元）产生影响关系。并且模型R方值为0.556，意味着不良贷款（亿元）,贷款项目个数（个）可以解释本年累计应收贷款（亿元）的55.6%变化原因。