tss-ss是回归分析里的总平方和减去残差平方和，算出模型解释的数据比例。比如总平方和是全部数据的波动，减去没被模型解释的残差平方和，剩下的就是模型能说明的波动部分。这个值越大说明模型越能代表真实情况。

为什么这样算呢？因为回归分析要衡量模型好坏，得看它解释了多少数据变化。比如总平方和tss=100，残差平方和ss=20，那tss-ss=80，说明模型解释了80%的数据波动。根据公式R²=(tss-ss)/tss，这里R²=80%，也就是模型解释了80%的变量关系。再比如另一个例子，总平方和150，残差平方和50，tss-ss=100，R²=66.7%。数据波动越大，残差越小，说明模型越准。不过要注意tss-ss不能超过tss，否则说明模型反而恶化了数据。比如tss=100，如果tss-ss=120，那R²就变成负数，说明模型预测值比实际数据更离谱。所以tss-ss是判断模型强弱的关键指标。模拟效果：比如数据总波动100单位模型解释80单位剩下20是误差，可能变成“比如数据总波动100单位模型解释80单位剩下20是误差”。总平方和减残差平方和等于回归平方和，这个公式在统计学里叫分解式，因为总波动=模型解释+误差波动。