在R中计算MSS和RSS：需关注glm模型输出的哪些部分？

嘿，我来帮你理清楚怎么从这个高斯GLM模型里算出MSS（回归平方和）和RSS（残差平方和）～

首先得提一句：你用family=gaussian的GLM，其实和普通线性回归lm()的核心逻辑完全一致，所以计算方法可以直接沿用线性回归的思路，不用搞复杂的广义线性模型特殊处理。

一、直接调用模型组件是最高效的方式 #

你不用死盯着打印出来的输出，直接提取模型内置的组件就行：

• 残差数组（model.1$residuals）：RSS就是所有残差的平方和，一行代码就能算：sum(model.1$residuals^2)。
• 拟合值数组（model.1$fitted.values）：MSS是拟合值与因变量总均值的差的平方和。先算出因变量的总均值mean(wbw.df$x.percap)，然后计算：sum((model.1$fitted.values - mean(wbw.df$x.percap))^2)。

二、打印输出里可以参考的验证点 #

看你给出的示例输出，有这些地方能帮你验证计算结果：

• Deviance Residuals：这里给出的残差极值（Min/Max/四分位数），其实就是高斯GLM的普通残差（和线性回归残差完全一样），可以快速判断残差的分布范围，不过要计算RSS还是得用完整的残差数组。
• 如果你跑summary(model.1)，还会看到Residual standard error，它的平方乘以残差自由度（样本量减去参数个数）就是RSS，也就是(summary(model.1)$sigma)^2 * summary(model.1)$df.residual，可以用来核对你手动算的RSS对不对。

偷懒小技巧 #

不想手动计算的话，直接跑anova(model.1)就行！这个方差分析表会直接给出Sum Sq列，其中第一行就是回归平方和（MSS），第二行就是残差平方和（RSS），直接读数值就好，省事儿得很～

内容的提问来源于stack exchange，提问作者Mary