Gujarati (2003) cho rằng đôi khi nhiều người nghiên cứu chơi trò tối đa hóa R2 điều chỉnh; nghĩa là, chọn mô hình có R2 điều chỉnh cao nhất. Tuy nhiên, trò chơi này có thể rất nguy hiểm, vì phân tích hồi quy không nhằm mục tiêu có được một giá R2
điều chỉnh cao, mà mục đích chính là tìm ra được các giá trị ước lượng của các hệ số hồi quy thực của tổng thể và rút ra các suy luận thống kê về các giá trị thực này. Nhiều nghiên cứu thực tiễn có R2 điều chỉnh rất cao nhưng có một số hệ số hồi quy không có ý nghĩa
27
thống kê hoặc thậm chí có dấu trái với kỳ vọng. Chính vì vậy, chúng ta nên chú ý hơn đến sự phù hợp về mặt lý thuyết của các biến giải thích đối với biến phụ thuộc trong mô hình và mức ý nghĩa thống kê của các hệ số hồi quy. Ngoài ra, một mô hình tốt hay không còn phụ thuộc vào việc nó có thỏa mãn các giả định của mô hình hồi quy tuyến tính cổ điển hay không. Và các nội dung này sẽ được trình bày ở phần sau của chương này. Cũng theo Gujarati (2003), nếu chúng ta có cơ sở lý thuyết tốt, mô hình đã được xác định đúng, và có phân tích chẩn đoán cẩn thận, thì việc có được một giá trị R2
điều chỉnh cao là một mô hình đáng mong muốn. Trái lại, nếu chúng ta có cơ sở lý thuyết tốt, mô hình đã được xác định đúng, và có phân tích chẩn đoán cẩn thận, thì việc có được một giá trị R2 điều chỉnh thấp không có nghĩa đó là một mô hình tồi. Lưu ý rằng, khi chúng ta ước lượng mô hình với dữ liệu chéo, ví dụ sử dụng số liệu điều tra riêng hoặc VHLSS, thì giá trị R2
điều chỉnh có thể tương đối thấp (trong khoảng 0.2 đến 0.55). Cho nên, người làm dự báo hãy yên tâm với kết quả nghiên cứu của mình, đừng vì một R2
điều chỉnh thấp mà cố gắng biến hóa mô hình để thuyết phục người khác.