了解一些了，谢谢帮助

SSE, MSE,RMSE,R-square
SSE(和方差、误差平方和)：The sum of squares due to error
MSE(均方差、方差)：Mean squared error
RMSE(均方根、标准差)：Root mean squared error
R-square(确定系数)：Coefficient of determination
Adjusted R-square：Degree-of-freedom adjusted coefficient of determination

一、SSE(和方差)
该统计参数计算的是拟合数据和原始数据对应点的误差的平方和，计算公式如下


SSE越接近于0，说明模型选择和拟合更好，数据预测也越成功。接下来的MSE和RMSE因为和SSE是同出一宗，所以效果一样

二、MSE(均方差)
该统计参数是预测数据和原始数据对应点误差的平方和的均值，也就是SSE/n，和SSE没有太大的区别，计算公式如下


三、RMSE(均方根)
该统计参数，也叫回归系统的拟合标准差，是MSE的平方根，就算公式如下


在这之前，我们所有的误差参数都是基于预测值和原始值之间的误差(即点对点)。从下面开始是所有的误差都是相对原始数据平均值而展开的(即点对全)!!!

四、R-square(确定系数)
在讲确定系数之前，我们需要介绍另外两个参数SSR和SST，因为确定系数就是由它们两个决定的
(1)SSR：Sum of squares of the regression，即预测数据与原始数据均值之差的平方和，公式如下

(2)SST：Total sum of squares，即原始数据和均值之差的平方和，公式如下

其中，SST=SSE+SSR，“确定系数”是定义为SSR和SST的比值，故


其实“确定系数”是通过数据的变化来表征一个拟合的好坏。由上面的表达式可以知道“确定系数”的正常取值范围为[0 1]，越接近1，表明方程的变量对y的解释能力越强，这个模型对数据拟合的也较好

不能看到图片，具体看下
    http://rc.qzone.qq.com/blog/add# ... &pos=1376033284

good. your explain is quite clear

多谢解释了！！！

mse是常用的描述预测i精度的指标。预测类的文章基本没有不报告mse的。

讲的很好。。。

学习了

解答很详细，缺陷是给的链接看不了，希望能够继续看到公式图片

感谢分享

确实如此。请问您知道stata里，使用arima回归之后，如何让软件报告mse吗？谢谢！

确实如此。请问您知道stata里，使用arima回归之后，如何让软件报告mse吗？谢谢！

STATA回归结果中汇报的MSE的理解：
（1）MSE：回归模型的标准误（标准定义为均方误差mean-square error,但如果把它理解成 Model Standard Error，或者standard error of the model或许更贴切），衡量回归方程扰动项的波动幅度。
（2）MSE是对扰动项方差进行无偏估计的估计量。
（3）其计算方法：残差平方和除以n-K，其中n为样本容量，K为待估参数个数，也为解释变量个数加1（如果把常数项也作为一个解释变量，也可以说是解释变量的总数）；
（4）其中，n-K为估计量的自由度，为什么不除以n呢，因为虽然有n个残差，但是n个残差必须满足K个正规方程组的限制，因此只剩下n-K个自由度。
（5）ROOT：根，指的是平方根（ square root）
综上：root MSE等于RSS（残差平方和）均方（即残差平方和除以其自由度）的平方根。
此值越小，拟合模型对被解释变量的解释程度越高（因为其越小，残差平方和越小，方程解释不了的部分，也就是回归平方和ESS越小，拟合优度也就越高）。——最后皮一下，这个值和RSS（或者叫SSR）、拟合优度的价值是一样的，一般论文撰写不要求汇报，只要求汇报拟合优度，因为汇报一个就够啦！