【残差平方和怎么计算】在统计学与回归分析中，残差平方和（Residual Sum of Squares, RSS） 是一个重要的指标，用于衡量模型预测值与实际观测值之间的差异程度。它反映了模型对数据的拟合效果，RSS 越小，说明模型的拟合效果越好。
一、什么是残差平方和？
残差是指实际观测值与模型预测值之间的差值，即：
$$
e_i = y_i - \hat{y}_i
$$
其中：
- $ y_i $：第 $ i $ 个观测值
- $ \hat{y}_i $：第 $ i $ 个观测值的预测值
残差平方和（RSS） 就是所有残差的平方和，计算公式为：
$$
RSS = \sum_{i=1}^{n} (y_i - \hat{y}_i)^2
$$
二、如何计算残差平方和？
以下是计算残差平方和的基本步骤：
| 步骤 | 内容 |
| 1 | 收集实际观测值 $ y_i $ 和模型预测值 $ \hat{y}_i $ |
| 2 | 计算每个观测值的残差 $ e_i = y_i - \hat{y}_i $ |
| 3 | 对每个残差进行平方运算，得到 $ e_i^2 $ |
| 4 | 将所有残差平方相加，得到 RSS |
三、示例说明
假设我们有以下数据，其中 $ y $ 为实际值，$ \hat{y} $ 为预测值：
| 观测编号 | 实际值 $ y_i $ | 预测值 $ \hat{y}_i $ | 残差 $ e_i $ | 残差平方 $ e_i^2 $ |
| 1 | 5 | 4 | 1 | 1 |
| 2 | 7 | 6 | 1 | 1 |
| 3 | 9 | 8 | 1 | 1 |
| 4 | 10 | 11 | -1 | 1 |
| 5 | 12 | 13 | -1 | 1 |
根据上表，计算 RSS：
$$
RSS = 1 + 1 + 1 + 1 + 1 = 5
$$
四、残差平方和的意义
- 模型拟合度：RSS 越小，表示模型对数据的拟合越准确。
- 比较模型：在多个模型之间，可以选择 RSS 较小的那个作为更优模型。
- 评估误差：RSS 可以帮助识别模型是否存在系统性偏差或异常点。
五、总结
| 项目 | 内容 |
| 定义 | 残差平方和（RSS）是实际值与预测值之差的平方和 |
| 公式 | $ RSS = \sum_{i=1}^{n}(y_i - \hat{y}_i)^2 $ |
| 计算步骤 | 1. 收集数据；2. 计算残差；3. 平方残差；4. 求和 |
| 作用 | 衡量模型拟合效果，评估预测误差 |
通过理解并掌握残差平方和的计算方法，可以更好地评估和优化回归模型，提高预测精度。