使用残差平方和RSS可以测定回归模型的优劣，但是RSS在很大程度上取决于因变量度量单位的大小。
使用R^2可以比较好得解决这个问题。
R^2=ESS/TSS=（TSS-RSS）/TSS=1-RSS/TSS∈（0,1）
ESS称为解释平方和，标志着可以被模型解释的部分，而RSS为残差平方和，是模型不能解释的部分。所以，越大越好。这个值大，说明使用该模型中的解释变量对因变量的解释能力越强。
R^2也存在问题，因为随着解释变量增加，这个值有趋近于变大的趋势。这样我们无法知道加入一个新变量是否适当。
为了解决这个问题，引入了调整后的R^2。
如果这个值上升，则认为引入新的变量后模型的解释力增强了。所以当引入新的变量后，如果这个值上升，则说明引入这个因变量比较具有说服力。
这个变量的问题是，它是一个“软规则”，换句话说，它倾向于更大的模型。

非常感谢，讲得比较容易理解！ 2# jrzxhlq

可以简答的这样理解，但是拟合优度并不是全部。尤其是在时间序列分析中，往往对拟合优度的要求不是很高。