Regresión lineal para predecir la variable dependiente

Question

A continuación he publicado el resumen de mi modelo. Mi variable de predicción es significativa. Sin embargo, la $R^2$ valor es muy bajo. ¿Puedo utilizar su intercepción y su pendiente para predecir mi variable de respuesta?

Call:
lm(formula = Deviated_toa_values_for_CA ~ Water_vapor_quantity_kg.m2)

Residuals:
      Min        1Q    Median        3Q       Max 
-0.050961 -0.000923  0.002036  0.003636  0.006449 

Coefficients:
                             Estimate Std. Error t value Pr(>|t|)  
(Intercept)                -0.0069993  0.0031336  -2.234   0.0279 *
Water_vapor_quantity_kg.m2  0.0002367  0.0001036   2.285   0.0245 *
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 0.007471 on 94 degrees of freedom
  (1 observation deleted due to missingness)
Multiple R-squared:  0.05264,   Adjusted R-squared:  0.04256 
F-statistic: 5.223 on 1 and 94 DF,  p-value: 0.02454

Answer 1

• Si quiere utilizar su modelo para hacer previsiones, el hecho de que los coeficientes sean significativos no debería preocuparle tanto. Si lo utilizas para hacer inferencias (pruebas de hipótesis), sí debería preocuparte.
• Si no está seguro de cómo los resultados significativos pueden llevar a un R-cuadrado bajo, simplemente pensar de esta manera: Tengo un 95% de confianza en que mi variable independiente también podría explicar el 5% de la variación de mi variable dependiente en la población.
• Como se menciona en el comentario, hay que utilizar medidas de precisión para las previsiones.
• Si tienes una serie temporal, ¿por qué no utilizas modelos de series temporales? auto.arima es una buena función para trabajar. Water_vapor_quantity_kg.m2 podría ser una variable exógena en su modelo ARIMA.