在实证分析中,拟合优度R2或校正拟合优度R2都会出现在回归结果,用以评估模型拟合程度的好坏。然而传统的拟合优度以及校正拟合优度在衡量模型的真实拟合或预测能力时,可能并不可靠。由于拟合优度R2和校正拟合优度R2均是在原有数据集的基础上进行计算,无法反映模型的真实拟合能力。当模型出现过拟合（overfit）时,样本内拟合误差较小,传统的R2和R2的值会过高,而样本外的拟合误差较大。因此,需要其他方法去衡量回归模型的样本外拟合效果。“交叉验证法”（cross-validation）是模型样本外预测评估的一个有效方法。它通过不同的数据分割方式,将数据分为训练集和测试集。训练集用于估计模型参数,测试集用于计算模型拟合指标,将拟合指标进行平均,即可得到模型的综合拟合指标。其中,最典型的交叉验证法为“留一法交叉验证”（leave-one-out cross-validation）,将该方法用于回归模型估计中即可得到“留一回归”（leave-one-outregression）的系数估计量。由留一回归构建出的“留一拟合优度”（leave-one-outgoodnessoffit,简记LOOR2）即可评估回归模型的样本外拟合能力。鉴于留一拟合优度和传统拟合优度以及校正拟合优度构建思路的不同,本文采用回归分析方法,试图研究两个问题:其一,留一法拟合优度与传统拟合优度以及校正拟合优度相比,在模型过拟合时是否更加稳健;其二,影响这种拟合优度之间差别的因素有哪些。本文选取了 100篇英文经济学论文中实证研究的数据,得到273个回归结果,发现R2以及校正R2的中位数相较于LOOR2分别增加了 40.2%和21.4%。此外,本文首次引入了“误差膨胀因子”（error inflation factor）和“校正误差膨胀因子”（adjusted error inflation factor）的概念,研究训练误差相对测试误差的膨胀程度。通过回归分析影响过拟合的因素对误差膨胀因子和校正误差膨胀因子的影响,研究发现,误差膨胀因子和校正误差膨胀因子随着过拟合严重程度增大（如样本量减小、解释变量增加、非线性项增多、存在异常值）而增大。最后,本文通过蒙特卡洛模拟进一步验证实证结论,证明R2和校正R2会夸大模型的真实拟合或预测能力,而留一法拟合优度更能真实反映模型拟合或预测效果。