決定係数（けっていけいすう、（英: coefficient of determination、R²）は、統計学において、独立変数（説明変数）が従属変数（目的変数）のどれくらいを説明できるかを表す値である。寄与率と呼ばれることもある。標本値から求めた回帰方程式（モデル）のあてはまりの良さの尺度として利用される。

決定係数 ${\displaystyle R^{2))$ のはっきりと合意された定義は無い。タロル・クヴォルセス^[1]によれば、8種類の定義があり注意が必要だとしている^[2]。 しかし、以下の式を定義とするのが一般的なようである。標本値（実測値、観測値）を ${\displaystyle y=\left\{y_{1},\ y_{2},\ \cdots ,\ y_{N}\right\))$、回帰方程式による推定値を ${\displaystyle f=\left\{f_{1},\ f_{2},\ \cdots ,\ f_{N}\right\))$ とする。

${\displaystyle R^{2}\equiv 1-{\frac {\displaystyle \sum _{i=1}^{N}\left(y_{i}-f_{i}\right)^{2)){\displaystyle \sum _{j=1}^{N}\left(y_{j}-{\overline {y))\right)^{2))))$

すなわち、残差の二乗和を標本値の平均値 ${\displaystyle {\overline {y))}$ からの偏差の二乗和で割ったものを1から引いた値であり、1に近い程相対的な残差が少ないことを表す。最小二乗法はこの定義を最大にするようなパラメータの選択法である。値域は1以下の実数。よく見かける値は0～1のあたり。

回帰方程式が最小二乗法による単回帰の回帰直線の場合は、決定係数はピアソンの積率相関係数の2乗になり、0以上1以下の実数になる。

なお、一般的な線形回帰の場合、以下の各式が等価であり、それらを定義式とすることもあるようである。

推定値の分散を標本値の分散で割ったもの

${\displaystyle R^{2}\equiv {\frac {\displaystyle \sum _{i=1}^{N}\left(f_{i}-{\overline {f))\right)^{2)){\displaystyle \sum _{j=1}^{N}\left(y_{j}-{\overline {y))\right)^{2))))$

標本値と推定値との相関係数の2乗

${\displaystyle R^{2}\equiv {\frac {\left\{\displaystyle \sum _{i=1}^{N}\left(f_{i}-{\overline {f))\right)\left(y_{i}-{\overline {y))\right)\right\}^{2)){\left\{\displaystyle \sum _{j=1}^{N}\left(f_{j}-{\overline {f))\right)^{2}\right\}\left\{\displaystyle \sum _{k=1}^{N}\left(y_{k}-{\overline {y))\right)^{2}\right\))))$

線形回帰以外の場合、原点を通ることを要求した場合、最小二乗法以外で回帰した場合はこれらの式は上の定義と等価になるとは限らないため、注意が必要である。

クヴォルセスによる8つの定義は以下の通りである。

名前	定義
${\displaystyle R_{1}^{2))$	${\displaystyle 1-{\frac {\displaystyle \sum _{i=1}^{N}\left(y_{i}-f_{i}\right)^{2)){\displaystyle \sum _{j=1}^{N}\left(y_{j}-{\overline {y))\right)^{2))))$
${\displaystyle R_{2}^{2))$	${\displaystyle {\frac {\displaystyle \sum _{i=1}^{N}\left(f_{i}-{\overline {y))\right)^{2)){\displaystyle \sum _{j=1}^{N}\left(y_{j}-{\overline {y))\right)^{2))))$
${\displaystyle R_{3}^{2))$	${\displaystyle {\frac {\displaystyle \sum _{i=1}^{N}\left(f_{i}-{\overline {f))\right)^{2)){\displaystyle \sum _{j=1}^{N}\left(y_{j}-{\overline {y))\right)^{2))))$
${\displaystyle R_{4}^{2))$	${\displaystyle 1-{\frac {\displaystyle \sum _{i=1}^{N}\left(e_{i}-{\overline {e))\right)^{2)){\displaystyle \sum _{j=1}^{N}\left(y_{j}-{\overline {y))\right))),\ \ \ \ e_{i}\equiv y_{i}-f_{i))$
${\displaystyle R_{5}^{2))$	独立変数と従属変数の間の重相関係数の二乗[3]
${\displaystyle R_{6}^{2))$	${\displaystyle y}$ と ${\displaystyle f}$ の間の相関係数の二乗[4]
${\displaystyle R_{7}^{2))$	${\displaystyle 1-{\frac {\displaystyle \sum _{i=1}^{N}\left(y_{i}-f_{i}\right)^{2)){\displaystyle \sum _{j=1}^{N}y_{j}^{2))))$
${\displaystyle R_{8}^{2))$	${\displaystyle {\frac {\displaystyle \sum _{i=1}^{N}f_{i}^{2)){\displaystyle \sum _{j=1}^{N}y_{j}^{2))))$

上の決定係数の定義は説明変数を多くとるほど、良くなる傾向を持ってしまう。そのため、説明変数の数を ${\displaystyle p}$、標本の大きさ(標本数ではない)を ${\displaystyle N}$ として、以下の自由度調整を行うことがあり、自由度調整済みの決定係数^[5]と呼ぶ。

${\displaystyle R'^{2}\equiv 1-{\frac {\displaystyle {\frac {1}{N-p-1))\sum _{i=1}^{N}\left(y_{i}-f_{i}\right)^{2)){\displaystyle {\frac {1}{N-1))\sum _{j=1}^{N}\left(y_{j}-{\overline {y))\right)^{2))))$

なお、「説明変数の数」としているが、線形回帰でない場合、たとえば、同じ説明変数に対し2乗の項や3乗の項も利用する場合は、その分の調整も必要になる。定数項をのぞいたパラメータの数といっても良い。

• 回帰分析
• 重回帰分析

表 話 編 歴 統計学
標本調査	標本 母集団 無作為抽出 層化抽出法
記述統計学	連続データ 位置 平均 算術 幾何 調和 中央値 分位数 順序統計量 最頻値 階級値 分散 範囲 偏差 偏差値 標準偏差 標準誤差 変動係数 決定係数 相関係数 自己相関 共分散 自己共分散 分散共分散行列 百分率 統計的ばらつき モーメント 分散 歪度 尖度 カテゴリデータ 頻度 分割表
推計統計学	仮説検定 パラメトリック t検定 ウェルチのt検定 F検定 Z検定 二項検定 ジャック–ベラ検定 シャピロ–ウィルク検定 分散分析 共分散分析 ノンパラメトリック ウィルコクソンの符号順位検定 マン・ホイットニーのU検定 カイ二乗検定 イェイツのカイ二乗検定 累積カイ二乗検定 フィッシャーの正確確率検定 尤度比検定 G検定 アンダーソン–ダーリング検定 コルモゴロフ–スミルノフ検定 カイパー検定 マンテル検定 コクラン・マンテル・ヘンツェルの統計量 その他 帰無仮説 対立仮説 有意 棄却 区間推定 信頼区間 予測区間 モデル選択基準 AIC BIC WAIC MDL その他 偏り 偏りと分散 過剰適合 推定量 点推定 最尤推定 尤度関数 尤度方程式 最小距離推定 メタアナリシス ブートストラップ法
ベイズ統計学	確率 主観確率 ベイズ確率 事前確率 事後確率 最大事後確率 その他 ベイズ推定 ベイズ因子
相関	交絡変数 ピアソンの積率相関係数 順位相関（スピアマンの順位相関係数・ケンドールの順位相関係数）
モデル	一般線形モデル 一般化線形モデル 混合モデル 一般化線形混合モデル
回帰	線形 リッジ回帰 ラッソ回帰 エラスティックネット 非線形 k近傍法 回帰木 ランダムフォレスト ニューラルネットワーク サポートベクター回帰 射影追跡回帰 時系列 自己回帰モデル 自己回帰移動平均モデル ARCHモデル 対移動平均比率法 トレンド定常 傾向推定 共和分 構造変化
分類	線形 線形判別分析 ロジスティック回帰 単純ベイズ分類器 単純パーセプトロン 線形サポートベクターマシン 二次 二次判別分析 非線形 k近傍法 決定木 ランダムフォレスト ニューラルネットワーク サポートベクターマシン ベイジアンネットワーク 隠れマルコフモデル その他 二項分類 多クラス分類 第一種過誤と第二種過誤
教師なし学習	クラスタリング k平均法（k-means++法） DBSCAN 密度推定（英語版） カーネル密度推定（カーネル） その他 主成分分析 独立成分分析 自己組織化写像
統計図表	棒グラフ バイプロット（英語版） 箱ひげ図 管理図 フォレストプロット ヒストグラム 円グラフ Q-Qプロット ランチャート 散布図 幹葉図 バイオリン図 ドットプロット ヒートマップ 階級区分図
生存時間分析	生存時間関数 カプラン＝マイヤー推定量 ログランク検定 故障率 比例ハザードモデル
歴史	統計学の創始者 確率論と統計学の歩み
応用	社会統計学 疫学 生物統計学 系統学 統計力学 計量経済学 機械学習 実験計画法
出版物	統計学に関する学術誌一覧 重要な出版物
全般	統計 頻度主義統計学 統計学および機械学習の評価指標
その他	方向統計学 S言語 R言語 統計検定 社会調査士 JDLA Deep Learning For GENERAL JDLA Deep Learning for ENGINEER 実用数学技能検定 品質管理検定
カテゴリ