我的数据集（）有一个因变量（DV）、五个独立的“基线”变量（P1、P2、P3、P4、P5）和一个感兴趣的自变量（Q）。$N \approx 10,000$

我为以下两个模型运行了 OLS 线性回归：

DV ~ 1 + P1 + P2 + P3 + P4 + P5
                                  -> R-squared = 0.125

DV ~ 1 + P1 + P2 + P3 + P4 + P5 + Q
                                  -> R-squared = 0.124

即，添加预测变量 Q 减少了线性模型中解释的方差量。据我了解，这不应该发生。

需要明确的是，这些是 R 平方值，而不是调整后的 R 平方值。

我已经使用Jasp和 Python 的statsmodels验证了 R 平方值。

我有什么理由看到这种现象吗？也许与 OLS 方法有关？