平方和

表示对距离均值的变异或离差的度量。计算方法是与均值之差的平方之和。计算总平方和时同时考虑来自因子和来自随机可能性或误差的平方和。

回归

在回归中，总平方和有助于表达 y 的总变异。例如，您收集数据以确定将总体销售额解释为广告预算的函数的模型。

总平方和 =  回归平方和 (SSR) + 残差平方和 (SSE)

S (y - )2 = S ( - )2 +  S (y - )2

回归平方和是因 x 与 y 之间关系（本例中为广告预算与销售额之间）所致的变异。残差平方和是因误差所致的变异。

通过将回归平方和与总平方和进行比较，得出总变异中由回归模型解释的比率（R2，确定性系数）。此值越大，将销售额解释为广告预算的函数的关系越好。

方差分析

在方差分析 (ANOVA) 中，总平方和有助于表达可能因不同因子所致的总变异。例如，运行试验以检验三种洗衣粉的效果。

总平方和 =  处理平方和 (SST) + 误差平方和 (SSE)

处理平方和是因处理（在此例中为洗衣粉之间的不同）所致的变异。残差平方和是因误差所致的变异。

通过除以自由度将平方和转换为均方，可以对这些比率进行比较，并确定是否因洗衣粉而导致显著差异。此比率越大，处理对结果的影响越大。  

顺序平方和与调整的平方和

Minitab 将方差的 SS 回归或处理分量分解为每个因子的平方和。

·    连续平方和取决于将因子输入到模型中的顺序。在给定以前输入的因子的情况下，连续平方和是 SS 回归中唯一由因子解释的部分。

例如，如果模型有三个因子 X1、X2 和 X3，在 X1 已经在模型中的情况下，X2 的连续平方和显示 X2 解释的其余变异的量。要获得不同的因子序列，请重复回归过程，以不同顺序输入因子。

·    调整的平方和并不取决于将因子输入到模型中的顺序。在给定模型中所有其他因子的情况下，这是 SS 回归中唯一由因子解释的部分，与将因子输入到模型中的顺序无关。

例如，如果模型有三个因子 X1、X2 和 X3，在 X1 和 X3 已经在模型中的情况下，X2 的调整的平方和显示 X2 解释的其余变异的量。