且吃且增重
回归平方和：ESS，残差平方和：RSS，总体平方和：TSS。
1、回归平方和，是反映自变量与因变量之间的相关程度的偏差平方和。用回归方程或回归线来描述变量之间的统计关系时，实验值yi与按回归线预测的值Yi并不一定完全一致。
2、残差平方和是在线性模型中衡量模型拟合程度的一个量，用连续曲线近似地刻画或比拟平面上离散点组，以表示坐标之间函数关系的一种数据处理方法。
3、总体平方和是被解释变量Y的观测值与其平均值的离差平方和（总平方和）(说明 Y 的总变动程度）
扩展资料：
RSS(Residual Sum of Squares)=∑(u)2称为残差平方和，ESS (Explained Sum of Squares)=∑(ŷ-ȳ)2称为回归平方和。残差平方和越小，自变量与因变量之间的相关性越好。
性质
解释变量与残差平方和
残差平方和RSS具有以下性质：
1、性质1 只有常数项没有其他解释变量的回归方程的RSS和TSS相等，其决定系数为0。
2、性质2 增加解释变量必然导致RSS减小。因此，如果想降低RSS，只要在回归方程中尽可能地加入解释变量就能达到目的。
3、性质3 包含常数项全部解释变量的个数K等于样本数n时，RSS为0，决定系数为1。
F检验和t检验之间的关系
在一些场合t检验不仅可以进行双侧检验，也可以进行单侧检验。而F检验没有单侧和双侧的区别。当进行双侧检验的时候两种检验的P值相同。
参考资料来源：百度百科-回归平方和
参考资料来源：百度百科-残差平方和
紫草莓蛋塔
ESS是残差平方和，RSS是回归平方和。二者相加等于TSS。
残差平方和：为了明确解释变量和随机误差各产生的效应是多少，统计学上把数据点与它在回归直线上相应位置的差异称残差，把每个残差的平方后加起来称为残差平方和，它表示随机误差的效应。回归平方和 总偏差平方和=回归平方和 + 残差平方和。 残差平方和与总平方和的比值越小，判定系数 r2 的值就越大。
麦麦咔咔
RSS: Residual Sum of Squares 残差平方和：用连续曲线近似地刻画或比拟平面上离散点组，以表示坐标之间函数关系的一种数据处理方法。用解析表达式逼近离散数据的一种方法。
TSS: Total Sum of Squares 总离差平方和/总平方和：反映全部数据误差大小的平方和。
ESS: Explained Sum of Squares 回归平方和/解释平方和：反映自变量与因变量之间的相关程度的偏差平方和。
RSS，TSS，ESS的关系是：TSS=RSS+ESS。
扩展资料：
残差平方和的性质：
性质1 只有常数项没有其他解释变量的回归方程的RSS和TSS相等，其决定系数为0。
性质2 增加解释变量必然导致RSS减小。因此，如果想降低RSS，只要在回归方程中尽可能地加入解释变量就能达到目的。
性质3 包含常数项全部解释变量的个数K等于样本数n时，RSS为0，决定系数为1。
F检验和t检验之间的关系：
在一些场合t检验不仅可以进行双侧检验，也可以进行单侧检验。而F检验没有单侧和双侧的区别。当进行双侧检验的时候两种检验的P值相同。
参考资料来源：百度百科-残差平方和
shangna52088
SSR（regression sum of squares）为回归平方和，SSE（error sum of squares）为残差平方和。
回归平方和ESS是总偏差平方和（总离差平方和）TSS与残差平方和之差RSS，ESS= TSS-RSS。
残差平方和是在线性模型中衡量模型拟合程度的一个量，用连续曲线近似地刻画或比拟平面上离散点组，以表示坐标之间函数关系的一种数据处理方法。用解析表达式逼近离散数据的一种方法。
残差平方和RSS具有以下性质
只有常数项没有其他解释变量的回归方程的RSS和TSS相等，其决定系数为0。
增加解释变量必然导致RSS减小。因此，如果想降低RSS，只要在回归方程中尽可能地加入解释变量就能达到目的。
包含常数项全部解释变量的个数K等于样本数n时，RSS为0，决定系数为1。
F检验和t检验之间的关系：在一些场合t检验不仅可以进行双侧检验，也可以进行单侧检验。而F检验没有单侧和双侧的区别。当进行双侧检验的时候两种检验的P值相同。
