统计知识5：总平方和、残差平方和、判定系数

总平方和SST（total sum of squares）

解释平方和SSE（explained sum of squares），也成模型平方和

残差平方和SSR（residual sum of squares），也称剩余平方和

普通最小二乘法OLS（ordinary least square）

定义:

拟合优度：

    迄今为止，我们还没有办法衡量自变量x究竟能多好的解释因变量y，如果能够计算出来一个数值，用以概况OLS回归线对数据的拟合得有多好，那就很清晰的评估。

    假定总平方和SST不为零（除非所有y都相等这样一个极端的情况），可以得到判定系数：

    判定系数是解释变量与总变异之比，也可以说成是y的样本变异中被x解释的部分，占比越大解释的越多，因为SSE不可能大于SSR，所以判定系数的值总是介于0和1之间。

    若数据点都落在同一直线上，OLS回归就提供了数据的一个完美拟合，此时判定系数=1，一个接近于0的判定系数表名OLS给出了一个糟糕的拟合，因为。