添加线性回归预测变量可减小R平方

我的数据集（）具有因变量（DV），五个独立的“基准”变量（P1，P2，P3，P4，P5）和一个独立的关注变量（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。

明确地说，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。

有什么理由可以看到这种现象吗？也许与OLS方法有关的东西？

可能是因为您缺少的值Q会被自动删除吗？这将对样本产生影响，从而使两个回归不具有可比性。