R square称为方程的确定系数，0~1之间，越接近1，表明方程的变量对y的解释能力越强。
对于回归方程来说，总结了以下几个意义：
1．R square可以作为选择不同模型的标准。如果在拟合数据之前，不能确定数据到底是什么模型，那么可以对变量的不同数学形式进行拟合，然后看R square的大小，R square大的模型，说明这个模型对数据拟合的较好。
2．在数据的关系存在非线性可能情况下：
(a)不一定R square越大拟合越好，因为R square只是回归平方和占总平方和的比例。比如，在那四幅著名的图里面，R square都等于66%，并且都是线性拟合，但是他们的数据点完全不同，有些是因为特异案例的存在，致使数据拟合出来是线性的，而事实上并非如此。所以，应该在拟合之前观察散点图，然后去掉特异值。
(b)如果一个模型的R square很小，不一定代表数据之间没有关系，而很有可能是选择的模型不对，因为数据之间也许的其他的函数关系，比如对数关系或者指数关系。这意味着需要对数据作进一步的拟合。（当然，最好的方法应该是在数据拟合之前先观察散点图）。如果是线性模型，那么R square才是方程拟合优度的度量，R square越大，回归方程拟合数据越好，线性关系越强。
3．当自变量个数增加时，尽管有的自变量与y的线性关系不显著，R square也会增大。R square受自变量个数与样本规模影响。这点在上次老师上课时也从数学原理阐述过。对于这点，采用Adjusted R square进行调整。
4．当想确定方程中的每一个自变量对y的边际解释能力时，应该确定每个自变量的偏确定系数（partial coefficient of determination）。注意，偏确定系数反映的是新加入回归的变量所解释的百分比，而这百分比是以前一步回归所未能解释的部分为整体，而不是以y的总变化为整体。也就是说，x1与x2共同解释的y的贡献，已包含在x1解释的y的贡献里面。偏确定系数的意义是，用于判断自变量的重要性。但是，在遇到虚拟变量时，计算这个的意义不大。
