R-Square 값이 높다고 항상 좋은 모형이 아니며, R-Square 값이 낮다고 항상
나쁜 모형도 아니다. R-Square 값은 과대평가될 수 있으며 표준오차(S)가 좀더 유용할 수 있다.

이와 같이 통계분석시에 R-Square 값에 대해 적극적은 아닐 수 있지만 그렇다고
아무 소용도 없는 것은 아니다. 예를 들어, 유사한 분석과정에서 일반적으로 얻어지는 값보다
현저히 높거나 낮은 R-Square 값이 나타났다면, 문제점이 있을 가능성이 있으므로 반드시
그 차이점에 대해 조사해야 한다.

이런 관점에서 R-Square 값이 왜 지나치게 높아질 수 있는지 알아보자.

그렇다면 높은 R-Square 값은 언제 문제가 되는가?
높은 R-Square 값이 반드시 문제가 되는 것은 아니다. 어떤 프로세스에서 R-Square 값이
90% 이상으로 유지되는 경우도 있다. 이런 경우는 가끔 물리적인 프로세스에서 정밀한 측정과
프로세스에 대한 노이즈가 낮은 경우에 발생한다.

이런 경우에 높은 R-Square 값이 문제인지 아닌지 결정하기 위해서 해당 프로세스에 대한
기술적인 지식을 활용해야 한다. 분석하고 있는 모형이 본질적으로 예측가능한 어떤 것인지?
혹은 그렇게 많이 예측할 수 있는 것은 아닌지? 만일 분석중인 물리적 프로세스에 대한
R-Square 값이 90% 이상인 것에 대해 전혀 놀랍지는 않지만 사람의 동작을 예측하고 있는 경우라면
R-Square 값이 90% 이상은 너무 높은 값이다.

유사한 분석과정에서 어림짐작할 수 있는 R-Square 값과 비교해 보는 것이 좋다.
그렇게 했을 때 분석중인 모형의 R-square 값이 너무 높게 나왔다면 다음에 설명하는 부분에 대해
확인해 볼 필요가 있다. 무엇보다도 분석하는 모형을 구체적으로 적용할 것인지 아닌지를 결정하기
위해서는 분석중인 분야에 대해 어떻게 적합되어야 하는지와 세부적인 사항에 대한 지식과 정보를
사용해야 한다.

■ R-Square 값이 편의되어 추정되어 있다.

회귀분석 결과 구해진 R-Square 값은 분석중인 샘플에 대하여 편의되어 추정된 경우이다.
이런 경우에는 R-Square 값이 매우 높게 나타난다. 이러한 편의 때문에 많은 사람들이
R-Square 값 대신에 Adjusted R-Square 값을 사용한다.

■ 분석모형을 과대적합 시켰거나 다중공선성이 있는 경우 발생할 수 있다.

분석을 위한 데이터 셋트가 너무 복잡하면 과대적합이 될 수 있다. 관측값의 개수에 비해 너무
많은 항목을 회귀시키려고 포함시킨 경우이다. 과대적합이 발생하면 전체 모집단을 반영하기 보다는
분석을 위해 수집한 데이터에 포함되어 있는 랜덤 노이즈와 특이점에 짜맞추어지는 회귀모형이 된다.
이 경우에는 Adjusted R-Square 값이 아닌 Predicted R-Square 값을 참조하도록 한다

■ 데이터 마이닝시에 발생하는 우연한 상관관계의 경우일 수 있다

매우 많은 모형을 적합하면 유의한 것처럼 보이는 확률변수를 발견할 수 있지만 그것은 우연한
상관관계일 뿐이다. 최종모형이 관측개수에 비해 크게 복잡한 구조가 아님에도 최종모형을
구하기 위해 매우 다른 모형들을 사용하여 적합시킨 경우에 이런 문제가 발생한다.

■ 시계열 데이터 처럼 짜여진 경향이 있을 때 발생한다

시계열 데이터를 가지고 분석을 한다면 반응변수와 예측변수 둘다 시간의 경과에 따라
유의한 결과를 보일 수 있다. 이런 경우에는 매우 높은 R-Square 값이 발생된다.
이런 경우에는 시계열 분석을 하도록 한다.

■ 변수들의 표시 유형에 따른 문제가 포함되어 있을 수 있다.

분석과정에서 동일한 확률변수가 반응변수든 예측변수든지 다른 유형으로 포함시켜서 분석하고
있는지 확인해 보아야 한다. 예를 들면, 반응변수로 섭씨온도를 사용하고 화씨온도를 예측변수로
포함시키고 있으면 R-Square 값이 거의 100%가 나올 것이다. 명백한 사례지만 분석모형 중에서
감지하기 힘든 동일한 일들이 발생할 수 있다.