【回歸離差平方和】在統計學中，回歸分析是一種重要的數據分析方法，用于研究變量之間的關系。其中，“回歸離差平方和”是衡量模型擬合程度的重要指標之一。它反映了因變量的總變異中，可以被自變量解釋的部分，是判斷回歸模型優劣的關鍵參數。
一、回歸離差平方和的定義
回歸離差平方和（Sum of Squares due to Regression，簡稱SSR） 是指在回歸模型中，由自變量對因變量的解釋部分所引起的變異總和。換句話說，它是因變量的預測值與平均值之間的差異平方和。
公式為：
$$
SSR = \sum_{i=1}^{n} (\hat{y}_i - \bar{y})^2
$$
其中：
- $\hat{y}_i$ 是第 $i$ 個觀測值的預測值；
- $\bar{y}$ 是因變量的平均值；
- $n$ 是樣本數量。
二、回歸離差平方和的作用
1. 評估模型的解釋能力：SSR 越大，說明自變量對因變量的解釋能力越強。
2. 與總離差平方和比較：通過與總離差平方和（SST）進行比較，可以計算出決定系數 $R^2$，從而判斷模型的擬合效果。
3. 輔助構建F檢驗：在回歸分析中，SSR 與殘差平方和（SSE）共同用于構建F統計量，以檢驗回歸模型的整體顯著性。
三、與其他平方和的關系
| 平方和名稱 | 定義 | 公式 | 作用 |
| 總離差平方和 (SST) | 因變量實際值與均值之間的差異平方和 | $SST = \sum_{i=1}^{n} (y_i - \bar{y})^2$ | 反映因變量的總體變異 |
| 回歸離差平方和 (SSR) | 因變量預測值與均值之間的差異平方和 | $SSR = \sum_{i=1}^{n} (\hat{y}_i - \bar{y})^2$ | 表示模型解釋的變異 |
| 殘差離差平方和 (SSE) | 因變量實際值與預測值之間的差異平方和 | $SSE = \sum_{i=1}^{n} (y_i - \hat{y}_i)^2$ | 表示未被模型解釋的變異 |
關系式：
$$
SST = SSR + SSE
$$
四、實際應用中的意義
在實際數據建模過程中，SSR 的大小直接影響到模型的解釋力和預測能力。例如，在線性回歸中，若 SSR 占比很大，則說明模型具有較好的擬合效果；反之，若 SSR 較小，則可能需要考慮引入更多變量或調整模型結構。
此外，SSR 還可用于比較不同模型的優劣，尤其是在多元回歸分析中，通過對比多個模型的 SSR 值，可以篩選出更優的模型。
五、總結
“回歸離差平方和”是回歸分析中的核心概念之一，它反映了自變量對因變量的解釋能力。通過對 SSR 的計算與分析，能夠有效評估模型的擬合效果，并為后續的統計檢驗提供基礎數據支持。結合其他平方和指標，如 SST 和 SSE，可以全面了解數據的變異來源，提升模型的科學性和實用性。
| 指標 | 含義 | 作用 |
| SSR | 回歸離差平方和 | 體現自變量對因變量的解釋能力 |
| SST | 總離差平方和 | 表示因變量的總體變異 |
| SSE | 殘差離差平方和 | 表示模型未能解釋的變異 |
| R2 | 決定系數 | 衡量模型的擬合優度，由 SSR/SST 得出 |
通過以上內容可以看出，SSR 在回歸分析中具有不可替代的地位，是理解模型性能和數據關系的重要工具。