给定一个线性回归模型 yi = β0 + β1xi1 +…+ βpxi1 + εi
对应数据集(xi1, xi2,…, xip, yi), i=1,…,n，包含n个观察数据. β是系数，ε 是误差项
表示y的期望， 
就是离差(deviation)，注意不是方差(variance); 
表示对yi预测的值.
The total sum of squares(TSS) = the explained sum of squares(ESS) + the residual sum of squares(RSS),对应于：
在普通最小二乘法(Ordinary Least Squares)中的应用
对β的估计：
The residual vector 
= 
，则
用 
表示向量，其每个元素都相等，为 y 的期望，则
让
，则
当且仅当 
(也即the sum of the residuals 
)时，TSS = ESS + RSS.
（由于
，
,
- 或
而X的第一列全是1，则
第一个元素就是
，并且等于0.
因此上面的条件成立，可使TSS = ESS + RSS）
Mean squared error(MSE)
