回归分析拟合度过低的原因

拟合的方法不适合导致的。

1、打开相关窗口、在Graphs那里选择Scatter/Dot。

2、下一步进入Properties页面、需要根据实际情况确定拟合项。

3、这样一来等得到对应的效果图以后，即可达到目的了。

最好是大于0.9,甚至于大于0.95,这些拟合指标的临界值都是通过大量的数据模拟得到的,也就是说如果达不到这些指标,模型很可能就是误设模型,不过我也有看到一篇数据模拟的论文里提到当样本量小于500的时候,srmr是最合适的指标,如果小于0.05,可以肯定模型正确,若大于0.08,可以肯定是误设的（适用于数据正态时,偏态时大于0.11认为模型误设）,而其他的拟合指标表现不稳定,那这个时候主要参考srmr就可以,其他的指标过得去就行,如果样本量大于1000,NNFI,CFI,IFI这些指标比较合适,0.95以上可以认为模型正确,0.85以下可以断定模型错误（适用于数据偏态时,正态时0.95以下即认为误设）

你自己根据自己的的数据情况看吧,对于你提到的指标,我相信90%的文献都说是0.9以上为标准的,这个经验值还是很可信的,如果你不是正在写论文,那完全可以接受这个结果,如果你一定想要结果好,那就要么好好处理处理数据,重新做一下结构方程的分析,要么就找到相关的文献支持,以表明你用0.9以下的指标数值是合理的

如果是论文答辩或者发论文,只是0.8过一些那很可能要被答辩老师或者审稿人质疑的,接近0.9应该还勉强可以

不要太看重拟合优度，计量方程的经济学含义远远比统计学意义重要。只要经济学含义是正确的，我们还是认为低拟合优度还是说明了问题。当然，你也可以通过修正异方差、自相关或者取对数、重新设定模型等方式改进模型。

计量分析中不可以随便添加变量，虽然拟合优度增加了，但是调整的拟合优度却可能下降，而且可能产生多重共线的问题。

在含有时间趋势的变量序列中，使用OLS估计一般都有很大的拟合优度，但是很可能存在伪回归的问题。利用协整的方法估计时一般拟合优度要变小，用误差纠正模型估计可能变的更小，然而这两种方法却更正确。我曾经在一篇大概是经济研究杂志上看见过误差纠正模型0.15的拟合优度。一般取对数，然后取差分后的数据是平稳的，但是计量模型的拟合优度会下降。在ARCH模型簇中，拟合优度都特别小，甚至是负数。

回归分为解释型回归和预测型回归。如果你主要是做解释，那么不必太在意R^2，多在意关注变量的显著性和模型整体的显著性。R^2这时小只是表明还遗漏了其它一些对因变量有影响的变量，一般条件下是假定这些遗漏的变量是严格外生的（虽然无法证明，但大家通用）；若用于预测，那R^2就重要了。这时，它表示自变量对因变量变异的解释程度。

---