Non ci sono assoluti. Problemi diversi hanno difficoltà diverse. L'unica cosa che farebbe rifiutare un determinato $ R ^ 2 $ è un altro approccio che ottiene un $ R ^ 2 $ molto più grande dallo stesso set di dati, utilizzando un modello pre-specificato o corretto per l'overfitting.

Il fatto che la variabile di risultato sia soggettiva suggerisce che verrà misurata con un'affidabilità piuttosto imperfetta. Più bassa è l'affidabilità, più le correlazioni con altre variabili tenderanno ad essere smorzate, quindi è necessario abbassare i propri standard.

Cercherò di darti una reazione più concreta. Conoscendo solo la piccola quantità che conosco, immagino che un RSQ vicino a .35 mi interesserebbe molto come revisore o altro lettore, e abbastanza ben impressionato dal potere esplicativo di questo modello; quello vicino a .20 mi interesserebbe leggermente; e quello vicino a .10 sembrerebbe al confine tra l'indicazione di un modello utile e quello inutile.

Presumo che la tua variabile dipendente sia una sorta di punteggio discreto in stile Likert. In tal caso, mi assicurerei che l'R quadrato non fosse vicino a nessuno dei due estremi e presterei maggiore attenzione ai coefficienti di regressione.

A proposito, che tipo di modello di regressione hai utilizzato? I minimi quadrati ordinari possono essere disapprovati per la presentazione dei risultati finali, ma possono fornire un buon primo indicatore di una relazione. Per un articolo finale sceglierei un probit o un logit ordinato. Vuoi essere molto chiaro sulla distribuzione che stai imponendo alla variabile dipendente - ad esempio, l'uso dei minimi quadrati presuppone che i numeri sulla scala siano equidistanti, quando in realtà le persone sono piuttosto incoerenti quando forniscono punteggi soggettivi.

Come te, ho spesso sentito dire che in sociologia un R quadrato di 0,05 è accettabile. A volte mi chiedo se questo possa essere veramente corretto, o se rifletta il poco brillante rigore scientifico all'interno della sociologia (almeno sulla base di questo punto di riferimento). Ammesso che un R quadrato di 0,05 corrisponda a un livello R assoluto di 0,22, che sembrerebbe dirti qualcosa.

Tuttavia, prima di mettermi a mio agio con un quadrato R così basso, avrei fatto un paio di cose. Esegui il tuo modello utilizzando diversi set di dati. Usa i punti di controllo dei dati all'interno dei tuoi dati e guarda quanto bene il tuo modello prevede la variabile dipendente. In altre parole, i risultati del modello possono essere replicati con diversi set di dati? Il tuo modello è predittivo? Questo definirà se il tuo modello ha un minimo di robustezza direzionale per essere utile molto più di quanto ti direbbe una soglia R Square arbitraria.

Intuirei che con un R Square di 0,05 i risultati di un modello correlato sono sopraffatti dall'errore standard del modello. Inoltre, i semplici metodi usati sopra potrebbero aiutarti a documentare questo fenomeno.

Sembra esserci molta confusione sull'importanza di RQS. RSQ non implica che tu abbia un modello valido, piuttosto che ci sia un po 'di "bontà di adattamento".

Vedi il mio blog per una breve panoramica.

http: / /www.excel-with-data.co.uk/blog-1

Non è assolutamente possibile utilizzare la regressione lineare multipla per l'analisi di una variabile di risposta categoriale. In questo caso dovresti piuttosto usare il modello logistico con un collegamento logit o probit (importa anche se la risposta è ordinale o nominale). Tuttavia, questa potrebbe essere una risposta molto tardiva.