【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。它反映了模型的拟合效果，数值越小，说明模型对数据的拟合越好。
一、什么是残差平方和？
残差平方和是所有观测点的残差（即实际值与预测值之差）的平方和。它的计算公式如下：
$$
RSS = \sum_{i=1}^{n}(y_i - \hat{y}_i)^2
$$
其中：
- $ y_i $：第 $ i $ 个观测值（实际值）
- $ \hat{y}_i $：第 $ i $ 个预测值（由回归模型得出）
- $ n $：样本数量
二、如何计算残差平方和？
以下是计算残差平方和的具体步骤：
| 步骤 | 操作说明 |
| 1 | 收集实际观测值 $ y_i $ 和模型预测值 $ \hat{y}_i $ |
| 2 | 计算每个点的残差：$ e_i = y_i - \hat{y}_i $ |
| 3 | 对每个残差进行平方：$ e_i^2 $ |
| 4 | 将所有残差平方相加，得到 RSS 值 |
三、举例说明
假设我们有以下数据：
| 观测序号 | 实际值 $ y_i $ | 预测值 $ \hat{y}_i $ | 残差 $ e_i = y_i - \hat{y}_i $ | 残差平方 $ e_i^2 $ |
| 1 | 5 | 4 | 1 | 1 |
| 2 | 7 | 6 | 1 | 1 |
| 3 | 9 | 8 | 1 | 1 |
| 4 | 11 | 10 | 1 | 1 |
| 5 | 13 | 12 | 1 | 1 |
根据上述表格，可以计算出：
$$
RSS = 1 + 1 + 1 + 1 + 1 = 5
$$
四、残差平方和的意义
- 模型拟合优度：RSS 越小，表示模型对数据的拟合越好。
- 比较不同模型：在多个模型中，可以选择 RSS 更小的那个作为更优模型。
- 与总平方和对比：结合总平方和（SST）和回归平方和（SSR），可计算出决定系数 $ R^2 $，进一步评估模型解释能力。
五、总结
| 项目 | 内容 |
| 定义 | 残差平方和是实际值与预测值之间差异的平方和 |
| 公式 | $ RSS = \sum (y_i - \hat{y}_i)^2 $ |
| 用途 | 衡量模型拟合效果，用于评估回归模型性能 |
| 优点 | 简单直观，便于计算和理解 |
| 缺点 | 无法反映模型整体趋势，需结合其他指标综合判断 |
通过以上内容可以看出，残差平方和是回归分析中不可或缺的一部分，掌握其计算方法有助于更好地理解和优化模型。