Segue um código reproduzível de onde você pode ter suas próprias impressões. ## Modelo alvo: ~b0+b1*speed, modelo nulo: ~b0+0*speed -> ~b0. m1 <- lm(dist~speed, cars) summary(m1)$r.squared ## Modelo alvo: ~0+b1*speed, modelo nulo: ~0+0*speed -> ~0. m0 <- lm(dist~0+speed, cars) summary(m0)$r.squared ## Expressão do R². 1-deviance(m1)/deviance(lm(dist~1, cars)) 1-deviance(m0)/deviance(lm(dist~0, cars)) ## R² do modelo pela origem comparado com o modelo só de intercepto, ou ## seja, ~b1*x vs ~b0 (que não são modelos encaixados). 1-deviance(m0)/deviance(lm(dist~1, cars)) ## Se a definição do R² for o quadrado da correlação entre predito e ## observado? cor(x=fitted(m0), y=cars$dist)^2 ## Bate com o anterior. cor(x=fitted(m1), y=cars$dist)^2 ## **Não** bate com o anterior ## Moral da história: 1) não existe uma definição única de R², 2) em ## modelos sem intercepto o cuidado deve ser dobrado. Ainda deve ser ## mencionado que em modelo não lineares não é raro a ocorrência de ## modelos sem intercepto e considere o R² como última medida ao se ## referir a um modelo, preocupe-se mais com a análise dos resíduos, ## interpretação, faça o gráfico dos valores preditos, observados, ## etc. R² na minha opinião é o de menos. with(cars, plot(dist~speed, xlim=extendrange(c(0, max(speed))), ylim=extendrange(c(0, max(dist))))) abline(m1, col=2); abline(h=mean(cars$dist), col=2, lty=2) abline(m0, col=4); abline(h=0, col=4, lty=2) legend("topleft", legend=c("~b0+b1*x","~b0","b1*x","~0"), lty=c(1,2,1,2), col=c(2,2,4,4), bty="n") À disposição. Walmes. ​