什么是总平方和、残差平方和、回归平方和？
残差平方和、回归平方和、总平方和之间的区别是什么？
从图片可以看出：
左边称为总平方和SST，它可以分解为两部分
指的是各实际观测点与回归值的残差
平方和，它是指除了x对y的线性影响之外的其它因素引起的y的变化部分，是不能用回归直线来解释yi的变差部分。所以称为残差平方和，简称SSE。
可以看作是由于自变量x的变化引起的y的变化部分，是可以用回归直线来解释yi的变差部分。简称SSR。所以SST=SSR+SSE。
所以对于模型来讲肯定是能用回归直线解释的变差部分越大越好，也就是说明SSR占SST的比例越大，解释越多，同时也可以说明直线拟合的越好，所以我们引出一个指标R方，回归平方和占总平方和的比例，即为R方。计算公式为：
R方可以自己计算也可以借助数据分析工具进行输出，这里利用SPSSAU举例进行说明。
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