Прошу прощения, имеется в виду R-квадрат?

Чем обусловлено такое значение, если не секрет?

не знаю, моим личным мнением.

Я чувствую себя хорошо, если больше 70 процентов.
Совсем хорошо, если больше 80 процентов.

Потому что про себя думаю, ну 20-25% дисперсии, можно и плюнуть.

Друзья, а кто-нибудь набредал на хорошую работу с вдумчивым размышнеием на тему R2? По p-value куча отличных работ и кровавых драк среди эконометристов, а вот c R2 каждый раз что-то типа "ну 60% наверное меня устроит". Есть ли консенсунс, хотя бы по дисциплинам и в зависимости от назанчения модели? Поделитесь любимыми ссылочками, если у кого есть, что на эту тему можно почитать. Спасибо!

Не люблю я эти дисциплинарные особенности... Я недавно слышал от филологов, что у них все не строго, поэтому можно и p-value больше 0.05.

https://twitter.com/jt_kerwin/status/1231778051891060736
В эконтвиттере R2 вообще не любят

Вот меня тоже на прикладной микроэконометрике учили, что, да кому нужен этот ваш R2, никто на него не смотрит, особенно если ты прогнозы не планируешь по модели делать – пусть 0.2, да и черт с ним. Но вот номальных статеек с обоснованием на этот счет мне не давали

с обоснованием обратного вроде тоже нет :D
Но если есть, тоже было бы интересно почитать.
Есть очевидный аргумент про то, что низкий R2 => много важных пропущенных переменных => больше шанс ощутимого смещения, но хз, сомневаюсь, что с нормальными теоретическими обоснованиями этот шанс сильно ниже для R2 = 0.6 по сравнению с R2 = 0.2

вот такое мнение есть https://davegiles.blogspot.com/2013/05/good-old-r-squared.html

Ой, даже еще лучше https://davegiles.blogspot.com/2019/10/reporting-r-squared-measure-for-count.html

Есть множество статей, чем плох R-квадрат как метрика предсказательной силы, как метрика качества модели, как метрика для сравнения моделей и тп. Но в целом никакого консенсуса по поводу R-квадрата толком нет. Особенно в социальных науках, где предсказательная сила моделей зачастую крайне низка. Под социальными науками я в большей степени имею в виду социологию, политологию, психологию и в меньшей степени экономику. Это частично объясняется тем, что собственно задача предсказания в социальных науках ставится гораздо реже, чем задача объяснения. Поэтому, собственно, так популярны интерпретируемые модели - всевозможные разновидности регрессий.

Про это есть хорошее высказывание:
Y = a + b1*x + e
Статистика интересует "b1", а дата саентиста "Y". Статистика (социолога, политолога, психолога и тп) интересует характер связи между переменными, а дата саентиста предсказание зависимой переменной.

Подробнее про объяснительное и предсказательной моделирование можно прочитать в этой статье: https://www.stat.berkeley.edu/~aldous/157/Papers/shmueli.pdf

Ключевая мысль в том, что модель с неправильно оцененными параметрами (b1) может давать лучшие предсказания, чем модель с корректными оценками коэффициентов. В данном случае речь идет про обычную линейную регрессию. Мораль в том, что задачи объяснения и предсказания - это разные задачи.
Вопрос можем ли мы что-то про что-то утверждать имея слабую предсказательную силу - философский. В социальных науках, повторюсь, предсказательная сила моделей крайне низка.

Например, недавний предсказательный контест на данных лонгитюдного опроса детей в Америке (опубликованного в PNAS - 3ий по цитируемости журнал в мире после Nature и Science) показал, что даже на очень хороших данных и используя всевозможные ML модели мы не можем с высокой точностью предсказывать средний балл 15 летних школьников, зная про них все что только можно, начиная с рождения.
Ссылка на статью: https://www.pnas.org/content/early/2020/03/24/1915006117

Я вообще сомневаюсь, что при данном сомнительном сеттинге можно было достичь большего значения R2. Еще хочу заметить, что обычно используется более широкая градация значений. Например, высокий, средний и приемлемый R2, где приемлемый не означает высокий и крайне зависит от области и задачи. Лично я посчитала бы, что  R2=60 находится на грани приемлемого.

Никогда не слышал о приемлемом R2, по крайней мере в соц науках

у коэна была таблица размеров эффектов, в том числе и для r2
там >0.35 считается большим эффектом
http://core.ecu.edu/psyc/wuenschk/docs30/EffectSizeConventions.pdf

Очень красивый заход в примере с ebay, сразу захотелось в какой-нибудь курс эконометрики такой рассказ внедрить. спасибо за ссылки!

Тут ещё уместно спросить, идёт ли речь об обычном r-квадрате или скорректированном

нескорректированный r-квадрат можно потихоньку прокачивать закидыванием в модель всякой бессмыслицы хоть до 1

Насколько именно выше?
У Fidell & Tabachnik есть момент, что когда речь не идёт о выборочном исследовании (а вы, например, обследуете штат компании в полном составе по её заказу), то можно брать любое p ниже 1/2 (тсссс об этом для студентов)

Ещё можно пересчитать R^2 в Cohen's f (они тривиально взаимосвязаны), интерпретация есть тут: http://imaging.mrc-cbu.cam.ac.uk/statswiki/FAQ/effectSize

R. Коэффициент корреляции Пирсона.