对于所有样本点,则需考虑这些点与样本均值离 差的平方和可以证明: ∑y2=∑ 1;+>e;+ ∑ ∑+∑ 记T=∑y2=∑(x-)2总体平方和( Total sum oI Squares ES=∑订=∑(-F)2回归平方和( Explained Sum of Squares) RSS=∑e2=∑(-)残差平方和( Residual Sum of Squares
对于所有样本点，则需考虑这些点与样本均值离 差的平方和,可以证明： 记 = = − 2 2 TSS y (Y Y ) i i 总体平方和（Total Sum of Squares） = = − 2 2 ) ˆ ESS y ˆ i (Yi Y 回归平方和（Explained Sum of Squares） = = − 2 2 ) ˆ ( i Yi Yi RSS e 残差平方和（Residual Sum of Squares ）
TSS=ESS+RSS Y的观测值围绕其均值的总离差( total variation) 可分解为两部分:一部分来自回归线(ESS),另一部 分则来自随机势力(RSS) 在给定样本中,TSS不变, 如果实际观测点离样本回归线越近,则ESS在 TSS中占的比重越大,因此 拟合优度:回归平方和ESS/Y的总离差TSS
TSS=ESS+RSS Y的观测值围绕其均值的总离差(total variation) 可分解为两部分：一部分来自回归线(ESS)，另一部 分则来自随机势力(RSS)。 在给定样本中，TSS不变， 如果实际观测点离样本回归线越近，则ESS在 TSS中占的比重越大，因此 拟合优度：回归平方和ESS/Y的总离差TSS