有人拿着两列数，在单元格里敲下=RSQ(B2:B31,A2:A31)，回车，看到 0.94，转头就在汇报里写"模型解释度 94%，拟合优秀"。三个月后这套东西上线，真实数据上的偏差超过 40%，复盘时才发现，那 0.94 从头到尾只说明了一件事：这两列数排队的队形比较像。它压根没回答"能不能拿来预测"这个问题。RSQ 函数是 Excel 里计算决定系数的入口，返回的是两列数据积矩相关系数的平方，取值范围恒在 0 到 1 之间。它好用、快、不挑版本，但也正是因为太容易按下去就出数，成了误用率最高的统计函数之一。这篇内容面向的是已经会在 Excel 里跑公式、但想把结论说得更站得住的人：数据分析岗、运营分析、质量工程、实验数据处理，以及所有需要在表格里做归因判断的人。下面从语法边界讲到统计本质，再拿几类真实会翻车的场景做现场还原，最后给一套能直接抄走的分析流程。

1. RSQ 的语法边界：它只认两列数，其余一概不管

很多人对 RSQ 的误解，从函数签名那一刻就开始了。它短得过分，RSQ(known_y's, known_x's)，两个参数，没有第三个可选参数，没有置信水平，没有模型形式。这种"极简"在电子表格里是优点，但它同时意味着：任何超出"两列数的线性关联强度"的诉求，它都无法承担。你得先在脑子里把它归类成一个"体检指标"，而不是"诊断结论"。

1.1 参数顺序埋的雷，比想象中深

RSQ的参数是因变量在前、自变量在后，也就是 y 在前、x 在后。这跟绝大多数人的书写直觉（先写 x 再写 y）是反的。更麻烦的地方在于：因为 RSQ 的数学形式里分子是协方差的平方、分母是两个方差之积，x 和 y 对调位置，结果一模一样。所以你参数写反了，Excel 不报错，数字也不变，你完全看不出来。

这个"看不出来"会一直潜伏到你下一次动手。等你换成SLOPE(y, x)或者INTERCEPT(y, x)去做预测时，参数写反就直接把斜率和截距算错，而模型看上去还有 0.9 的 R² 撑着，非常有迷惑性。我自己的习惯是：只要一张表里同时出现 RSQ、SLOPE、INTERCEPT、FORECAST，就先在表头用注释把"Y 列 / X 列"标死，再往下写公式，避免中途换列。

提示：RSQ 对参数顺序不敏感，SLOPE 和 INTERCEPT 敏感。这两个特性叠加，是"公式看着对、结论全错"的高发区。

除了顺序，还有几条硬性边界必须记住：

• 两个区域的数据点个数必须一致，否则返回#N/A。
• 任一区域为空，或者有效数据点少于 2 个，返回#DIV/0!。
• 任一区域的方差为 0（也就是整列是同一个数），返回#DIV/0!。
• 区域引用中的文本、逻辑值、空白单元格会被成对跳过，但数值 0 会被正常计入。这一条特别容易造成"有效样本量比你以为的少"，后面讲排查时会再展开。

1.2 拿它和 CORREL、SLOPE 对照着理解

把同一组数据分别喂给几个函数，是理解 RSQ 最快的方式。假设 A 列是因变量、B 列是自变量，都放在第 2 到第 31 行：

这里藏着一个非常实用的推论：RSQ的结果恒等于CORREL结果的平方。你可以现场验证一下，两列数字算出来必然吻合（浮点误差范围内）。这条恒等式给了你一个免费的自检手段：如果哪天 RSQ 和 CORREL² 对不上，那一定是你两个公式引用的区域不一致，比如其中一个少框了一行。

而"不带方向"这件事，是 RSQ 最容易被忽视的缺陷。R² = 0.81 意味着强线性关联，但它可能是正相关（x 涨 y 也涨），也可能是负相关（x 涨 y 跌），RSQ 一个字都不告诉你。在做业务判断时这是致命的：同样是 0.81，一个是"加大投放、销量上升"，另一个是"加大投放、退货上升"，决策方向完全相反。所以业内的做法通常是成对使用：用 CORREL 看方向和强度，用 RSQ 看解释比例。

1.3 用三个小样本把公式走一遍

Excel 官方给出的 RSQ 计算式，是下面这个等价形式，用 n 而不是 n-1，因为平方之后常数项会约掉：

RSQ = [n·Σxy − Σx·Σy]² / ( [n·Σx² − (Σx)²] · [n·Σy² − (Σy)²] )

拿三个点手算一遍，比看十遍公式都管用。取 (x, y) = (1, 2)、(2, 4)、(3, 6)，这三点严格在同一条过原点的直线上：

• n = 3
• Σx = 6，Σy = 12，Σxy = 2+8+18 = 28
• Σx² = 1+4+9 = 14，Σy² = 4+16+36 = 56

代入：分子 = (3×28 − 6×12)² = (84 − 72)² = 144；分母 = (3×14 − 36) × (3×56 − 144) = (42−36) × (168−144) = 6 × 24 = 144。结果 144/144 = 1。

再取一组带噪声的：(1, 2)、(2, 5)、(3, 6)。Σx = 6，Σy = 13，Σxy = 2+10+18 = 30，Σx² = 14，Σy² = 4+25+36 = 65。分子 = (90−78)² = 144；分母 = (42−36) × (195−169) = 6 × 26 = 156。R² ≈ 0.923。

这组手算的意义不只是验证公式，它顺带演示了一个后面会重点讲的现象：三个点里只挪动了一个 y 值，R² 就从 1 掉到 0.923。样本量小的时候，R² 的波动会非常剧烈，拿它做结论的底气要相应打折。

2. 决定系数的统计本质：一次平方和分解能说清的事

R² 这个词被用得太随意了，很多人把它当成一个"打分"，0.9 分就是好，0.5 分就是差。但在统计上它有一个非常明确、而且相当朴素的含义：因变量的总变异中，被自变量线性解释掉的那一部分占比。这句话拆开，就是一次平方和分解。理解了这次分解，你就知道 R² 什么时候可信、什么时候只是个漂亮的数字。

2.1 SST、SSR、SSE：三笔账的加减关系

先把三个量摆出来。设因变量 y 的样本均值为 ȳ，回归直线给出的拟合值为 ŷ：

• SST（总平方和）= Σ(y − ȳ)²，衡量 y 自身波动多大，跟 x 一点关系没有。
• SSR（回归平方和）= Σ(ŷ − ȳ)²，衡量拟合值相对均值的波动，这部分是 x 帮你"解释"出来的。
• SSE（残差平方和）= Σ(y − ŷ)²，衡量拟合值和真实值之间的差距，是模型没解释掉的部分。

在一元线性回归（带截距）的情形下，三者满足严格恒等：SST = SSR + SSE。于是：

R² = SSR / SST = 1 − SSE / SST

这个式子的信息量很大。它告诉我们 R² 本质上是一个比例，分子是"解释掉的"，分母是"总共的"。所以：

• 当 SSE 趋近 0，也就是所有点几乎都落在回归线上，R² 趋近 1。
• 当 SSR 趋近 0，也就是回归线的斜率几乎是 0，R² 趋近 0。

还有一层容易忽略的推论：R² 不是"正确率"，也不是"误差百分比"。R² = 0.8 不代表预测误差是 20%，它只说明方差被解释了 80%。误差的实际量纲要看残差的标准误，而不是 R²。

2.2 换个视角：它是夹角余弦的平方

如果平方和这套代数让你觉得抽象，几何视角会更直观。把所有样本的 y 值看成一个 n 维向量，把所有 x 值也看成一个 n 维向量（都先做中心化处理，也就是各自减去均值）。那么：

• 两个向量的夹角余弦，就是积矩相关系数 r。
• 回归的本质，是把 y 向量投影到 x 向量张成的那条直线上。
• 投影长度占原长度的比例，正好是 |cos θ|。
• 而 R² = cos²θ，也就是投影"吃掉"了原向量长度的平方比例。

用生活化的说法：你在墙上打一束光，y 是一根斜插着的杆子，x 是地面。杆子在地面上的影子长度，除以杆子本身的长度，就是 |cos θ|；这个比例的平方就是 R²。杆子完全平行于地面，影子等于原长，R² = 1；杆子垂直插在地面上，影子缩成一个点，R² = 0。

这个视角直接解释了两件事。第一，为什么 R² 恒为非负：它是长度比例的平方，符号在平方时丢掉了。第二，为什么 R² 与单位无关：你把 y 从"元"换成"万元"，向量整体缩放，夹角不变，R² 不变。这个尺度不变性是好性质，但也意味着 R² 高不高，跟你用什么单位记录数据毫无关系，别指望换个单位能把指标做好看。

2.3 R² = r² 成立的前提，以及它失效的地方

很多资料会直接写"R² 就是相关系数的平方"，这句话在一元线性回归、带截距、样本固定的前提下完全成立。推导也很短：设 Sxx = Σ(x−x̄)²，Syy = Σ(y−ȳ)²，Sxy = Σ(x−x̄)(y−ȳ)，则斜率 b = Sxy/Sxx，SSR = b²·Sxx = Sxy²/Sxx，于是

R² = SSR/Syy = Sxy² / (Sxx · Syy) = r²

但这个"完全成立"是有条件的，条件不满足时会出问题：

条件一：模型必须是一元的。一旦你有两个以上的自变量，RSQ 就没法用了，因为它只吃两列数。这时候真正的多元 R² 要靠LINEST的多列输出或者数据分析工具库，RSQ 强行套上去算出来的东西，跟多元模型的 R² 没有关系。

条件二：回归必须带截距。如果你强制回归线过原点（在 Excel 趋势线里勾选"设置截距 = 0"），平方和分解的恒等式就不再是 SST = SSR + SSE 那个形式，此时"R²"的定义会变，甚至可能出现负值或数值上虚高的情况。Excel 趋势线在强制过原点时显示的 R²，和 RSQ 函数算出来的值对不上，根源就在这里。我见过有人拿趋势线的 R² 和 RSQ 的结果互相"验证"，发现差了一截，折腾半天以为是数据问题，其实是模型设定不同。

条件三：关系必须是线性的才有意义。这一点下一节展开，它是误用的重灾区。

3. 把 RSQ 用错的六种典型姿势与现场还原

我在不同场合见过太多次同样的翻车。有意思的是，这些错误几乎都不是"不会用函数"，而是"把函数当成了结论"。下面按发生频率从高到低排，每一条都给出可复现的现象，你可以拿自己的数据对照着看。

3.1 非线性关系穿上线性的外衣：R² 高不等于拟合好

这是最经典也最隐蔽的一类。假设真实关系是明显的 U 型（比如温度与某种能耗，低温高、中温低、高温又高），你用 RSQ 去算，得到的值可能只有 0.1 甚至更低，于是判断"没有关系"。反过来，如果真实关系是单调但弯曲的（比如指数增长），RSQ 可能高达 0.9，于是判断"线性模型很好"，但实际上模型在两端系统性偏低、在中段系统性偏高，残差呈现明显的弧形。

判断方法很土但极其有效：算 RSQ 之前先画散点图。一张散点图能在一秒内告诉你关系是不是直线、有没有拐点、有没有分层。跳过这一步直接按公式，等于闭着眼睛开车看仪表盘。我给自己定的规矩是：散点图没画过，RSQ 的数字不许写进任何文档。

还有一类更微妙的情况：数据里其实混了两个子群体。比如两个不同产线、两个不同班次的数据混在一起，各自内部都没有明显关系，但混起来之后因为两组均值位置不同，反而呈现出一条漂亮的斜线，R² 能冲到 0.8 以上。这在统计上叫"辛普森式反转"的近亲，处理办法是先按分组变量拆分，各组分别看，再决定要不要合并。

3.2 一个异常点就能改写全局结论

R² 的分子分母都是平方和，平方意味着大偏差被放大。一个远离主体云团的点，对 R² 的影响可能超过其余几十个点加起来。

我做过一次模拟：生成 30 个基本随机分布的点，真实关系接近零，RSQ 算出来 0.03。然后把其中一个点的 y 值往上提了一个数量级，再算，RSQ 变成 0.79。整个过程只动了一个单元格。如果你只看最后那个 0.79，会得出完全错误的结论。

排查手法有两个。一是算完之后立刻检查残差，找出残差绝对值最大的三到五个点，逐个回看原始记录，确认是不是录入错误、单位错位、或者特殊工况。二是用"留一法"做敏感性测试：把可疑点逐个剔除，看 R² 变化多少。如果剔除一个点导致 R² 变动超过 0.1，这个点就必须在报告里单独交代，不能默默处理掉。

注意：直接删除"不好看"的点是数据造假的常见起点。正确的做法是判断它该不该留，并把判断依据写清楚，而不是因为它碍眼就删。

3.3 两条各自上涨的时间序列，会造出虚假的高 R²

拿十年期的"某类消费品年销量"和"某城市常住人口"做 RSQ，很容易得到 0.9 以上。但这两者之间未必有直接的因果链，它们只是都在随时间上涨。这种由共同时间趋势带来的高相关，在时间序列数据里极其普遍。

同样的坑还有"共同分母"：两个比率指标，如果分母相同或高度相关，它们之间的相关性会被机械性地推高。比如两个都以"总工时"为分母的效率指标，算 RSQ 必然不低，但这反映的是分母的结构，不是分子之间的真实联系。

应对办法是去趋势：对两列数据分别取同比变化率、或者对时间做回归后取残差，再拿残差去算 RSQ。如果去趋势之后 R² 大幅下滑，那原来的高值就是趋势贡献的，不能当作业务关联的证据。

3.4 多元场景硬套 RSQ：函数本身就不支持

这个错误纯粹是"没看文档"。有人做三因素分析，想算"整体模型解释了多少方差"，于是在表格里对第一列因变量和第一列自变量按了 RSQ，然后把结果当成多元 R² 写进报告。这个数字毫无意义，因为 RSQ 只处理两列。

多元场景请改用LINEST。它的返回区域里第三行第一格就是真正的多元 R²，能同时吃进多个自变量。Excel 新版支持动态数组的话，直接写：

=INDEX(LINEST(A2:A31, B2:D31, TRUE, TRUE), 3, 1)

这里B2:D31是三列自变量，第三个参数 TRUE 表示正常计算截距，第四个参数 TRUE 表示返回完整统计量。这个写法的好处是只取你需要的那个值，不用选中整片区域再按组合键。

另外一个必知的性质：多元回归里，每增加一个自变量，R² 只会上升或持平，绝不会下降，哪怕新加的这一列是纯随机噪声。所以多元场景看 R² 一定要同时看调整后的 R²，否则会陷入"变量越加越多、指标越来越漂亮、模型越来越没用"的循环。

3.5 取值范围受限，会让强关系看起来像没关系

这条比较反直觉，但实际工作中非常常见。假设某道工序的产出质量与温度确实强相关，但你的数据全部来自正常生产区间——温度已经被控制在很窄的一段范围内。在这一小段里，温度的波动对质量的影响本来就微弱，RSQ 算出来可能只有 0.05。你会误判"温度不重要"，而实际上它在区间之外影响巨大。

这不是 RSQ 的错，是抽样范围的问题。判断线索是：如果 x 的标准差明显小于工艺允许范围，就要警惕。补救办法要么是补充极端工况的数据（在安全可控前提下做小范围试验），要么在报告里明确标注"结论仅适用于当前观测区间"。

3.6 拿汇总数据的 R² 去推断个体

用各部门的月度汇总数据算出 R² = 0.85，然后说"每个员工都是这样"，这是把组间关系套到组内，逻辑上是断裂的。汇总层面看到的关系，和个体层面的关系方向甚至可能相反。做这类推断之前，先问自己一句：这条结论要落到哪个粒度上？如果落点是个人，那就要用个人粒度的数据重新算一遍。

4. 从 RSQ 到可信结论：一套可复现的分析流程

前面讲的都是"别怎么做"，这一节讲"该怎么做"。下面这套流程我用了很久，步骤不多，但每一步都有存在的理由，跳步基本都会在后面某一环付出代价。

4.1 先画三张图，再决定要不要按计算器

三张图分别是：散点图、时间序列图（如果有时间维度）、分组箱线图（如果有分组变量）。

散点图解决"是不是直线"和"有没有离群点"两个问题。时间序列图解决"是不是共同趋势"的问题，看两条曲线是不是同步起伏、同步爬坡。分组箱线图解决"是不是混了子群体"的问题，如果各组的中位数位置差距很大，合并计算就是自找麻烦。

这三张图加起来十分钟能做完，但能挡掉后面八成的错误。我踩过最疼的一次坑，就是跳过散点图直接算 RSQ 得出 0.91，兴冲冲做完回归方程，画图的时候才发现数据呈明显的倒 U 型，0.91 完全是中间那段近似直线贡献的，两端全被低估。

4.2 数据清洗的检查清单

RSQ 对脏数据的容忍度很低，尤其是在成对跳过这个机制上。下面这张清单建议每次都过一遍：

特别说一句文本型数字。从系统导出的数据里，数字带前后空格、带千分位、带单位后缀的情况太多了。这类值在SUM里可能不报错（取决于版本和写法），但在RSQ里会被当作非数值直接成对跳过。你的公式跑出了数字，看着一切正常，只是悄悄少算了三十行。我现在的习惯是清洗完先跑一遍=COUNT(A2:A31)和=COUNTA(A2:A31)，两个数相等才继续。

4.3 建模之后必须看残差，这一步没有捷径

算出 R² 只是拿到了一个摘要指标，真正的诊断在残差里。做法很简单：用LINEST或者SLOPE+INTERCEPT算出每个点的预测值，再算残差 = 实际值 − 预测值，然后做两件事。

第一件，画残差对预测值的散点图。理想状态是残差在零线上下随机散布，没有形状。如果残差呈现喇叭形（两端散得开、中间挤得紧），说明方差不齐，R² 的可信度要打折。如果呈现弧形，说明模型形式选错了，该考虑二次项或者对数变换。

第二件，看残差的时间顺序（如果是时序数据）。残差如果出现连续多个正、连续多个负的"长串"，说明存在自相关，样本点之间不独立。这种情况下 R² 会系统性偏高，因为模型实际上在利用前一个点预测后一个点。判断方法是看残差的正负号转换次数：样本量 n 的情况下，如果转换次数明显少于 n/2，就要警惕。

4.4 留出一部分数据，别把话说满

R² 是在训练数据上算出来的，它天然偏乐观。稳妥的做法是：把数据按时间或随机分成两部分，比如前 70% 建模、后 30% 验证，在验证集上重新算一次 R² 或者算预测误差。如果验证集上的表现和训练集差很多，说明模型过拟合了，那个漂亮的训练集 R² 不值得写进汇报。

样本量小的时候，交叉验证更合适：轮流留出一个点做验证、其余建模，把每轮的预测误差汇总。Excel 里手工做麻烦，但样本在 30 个以内的时候，用几十行辅助公式也能搭出来，比一次性的 R² 靠谱得多。

4.5 汇报时怎么把 R² 说清楚

同样一个 0.72，写法不同，可信度天差地别。建议在报告里至少补齐三样信息：样本量、数据范围、以及 R² 对应的具体模型形式。

一句合格的表述是这样的："基于 2023 年 1 月至 2024 年 6 月的 42 条月度记录，以投放金额为自变量、销售额为因变量的线性回归，R² = 0.72，斜率 3.4（95% 置信区间 2.1 至 4.7），残差无明显趋势。结论适用于月投放 5 万至 40 万区间。" 这句话里的每个限定都在替你的结论兜底。相比之下，"R² 达 0.72，模型拟合良好"这种写法，一旦被追问样本量和适用范围，就站不住了。

5. 该换工具的时候：LINEST、调整 R² 与验证思维

RSQ 是个好用的"快筛"工具，但它不是终点。当分析从"看看有没有关系"升级到"建个能用的模型"时，你需要更完整的输出。好在 Excel 里就有现成的，只是很多人没打开过。

5.1 LINEST 的五行输出，其实很好读

LINEST是 Excel 里被低估最严重的统计函数之一。它返回一片 5 行 × (自变量个数+1) 列的区域，在一元回归下就是 5 行 2 列，内容包括：

注意第 1 行是反的：左边是斜率，右边是截距，跟一般人从左到右读 y = a + bx 的习惯不一致。这个小细节坑过不少人。

第 3 行的 R² 在多元回归下才是真正的多元决定系数，这也是它相对 RSQ 的核心优势。第 2 行的标准误则告诉你斜率估得准不准：如果斜率的置信区间跨过了 0，那这个自变量实际上没有提供有效信息，哪怕 R² 看着还不错。第 4 行的 F 统计量配合自由度，可以判断整体模型是否显著。

一元的快速写法：

=INDEX(LINEST(A2:A31,B2:B31,TRUE,TRUE),3,1) ' 取 R² =INDEX(LINEST(A2:A31,B2:B31,TRUE,TRUE),1,1) ' 取斜率 =INDEX(LINEST(A2:A31,B2:B31,TRUE,TRUE),1,2) ' 取截距

这种按位置取值的写法，比选中整片区域后按 Ctrl+Shift+Enter 更省心，尤其是在新版支持动态数组的版本里，不会再出现区域大小不匹配的报错。

5.2 调整 R²：给"变量越加越多"上把锁

多元回归里 R² 只增不减的性质，前面提过了。调整后的 R² 修的就是这个：

R²_adj = 1 − (1 − R²) · (n − 1) / (n − p − 1)

其中 n 是样本量，p 是自变量个数。这个式子的妙处在于：当新加的自变量带来的 R² 增量，抵不过分母变小的惩罚时，调整 R² 就会下降。于是你用哪个指标都能试：加一个新变量之后，如果 R² 涨了但调整 R² 跌了，这个变量基本不值得留。

这里有个硬约束必须记住：n 必须明显大于 p。经验上样本量至少要达到自变量个数的 10 倍以上，否则模型极不稳定，调整 R² 也会失真。见过有人用 15 条记录拟合 6 个自变量，R² = 0.98，这种模型换个数据集基本立刻崩掉。

5.3 建立"这个数能不能用"的判断惯性

最后说点软性的东西。工具层面，Excel 里能算 R² 的地方至少有四处：RSQ函数、CORREL平方、LINEST第三行、图表趋势线。这四处在一元线性、带截距、区域完全一致的前提下应该给出同一个值，如果对不上，一定是某处的模型设定或数据区域不一样。把这四处当成互相校验的手段，比死记哪一处"最准"更有用。

业务层面，R² 的"及格线"跟领域强相关，没有通用标准。物理实验里的标定曲线，R² 通常要求 0.99 以上；营销投放的效果分析，0.3 到 0.5 就已经有参考价值；涉及人的行为预测，0.2 上下也很常见。所以别看别人报 0.95 就觉得自己 0.4 拿不出手，先看这个领域里"可解释的方差上限"大概在哪。把 R² 和同领域的基线比，比和 1 比更合理。

还有一个使用惯性值得培养：每次算出 R²，都顺手问一句"如果我把这列数据整体打乱，R² 会是多少"。理论上打乱后 R² 的期望接近 1/(n−1)，样本量 30 的时候大概 0.03。如果你的数据在原样下 R² = 0.15，样本量 30，那它跟打乱后的水平差不了多少，这个"关系"很可能只是随机波动。这个自问用不了两秒钟，但能筛掉大量的虚假发现。

我自己这几年在表格里做归因，最深的体会是：RSQ 这个函数的易用性本身就是它最大的风险。它太容易给人一个"数字答案"，而人一旦拿到数字，就很难再回头怀疑问题的提法对不对。所以现在的习惯反过来——先花时间把问题问清楚（是找关联、找预测、还是找因果），再决定用什么指标，最后才是敲公式。多数时候，敲公式是整件事里最省力的一步，前面那几步才是真功夫。