SST（總平方和）、SSR（回歸平方和）和SSE（殘差平方和）是回歸分析中的三個重要概念，用於評估模型擬合的質量。具體來說：
SST=∑i=1n(yi−yˉ)2SST = \sum_{i=1}^{n}(y_i - \bar{y})^2SST=i=1∑n(yi−yˉ)2。它表示所有數據點與其平均值之間的垂直距離的總和，反映了因變數y的總體變異。
SSR=∑i=1n(y^i−yˉ)2SSR = \sum_{i=1}^{n}(\hat{y_i} - \bar{y})^2SSR=i=1∑n(y^i−yˉ)2。它表示回歸線預測的值（或稱擬合值）與因變數的平均值之間的垂直距離的總和，反映了回歸模型所能解釋的變異。
SSE=∑i=1n(yi−y^i)2SSE = \sum_{i=1}^{n}(y_i - \hat{y_i} )^2SSE=i=1∑n(yi−y^i)2。它表示觀測到的數據點與回歸模型預測的值之間的垂直距離的總和，反映了回歸模型無法解釋的變異。
這三個量的關係可以表示為SST=SSR+SSESST = SSR + SSESST=SSR+SSE，這意味著總平方和等於回歸平方和與殘差平方和之和。這個公式是回歸分析的基礎，它幫助研究者理解模型的解釋力度和擬合優度。