要评价回归模型的精确性，主要是用判定系数（R2）和估计标准误差这两个统计量。

1.判定系数（R2）

回归方程的准确性又称为拟合优度，判定系数是测定回归方程拟合优度的一个重要指标，为此要先引入几个概念：

判定系数R2的定义为

结合公式（8-18）和公式（8-19），可以看出，R2越大，则意味着回归变差SSR 在总变差SST 中占的比重越大，因而越小，即y 与的差距越小，对y的拟合程度越高，也就是说该回归模型的准确度越强。

可以证明：0≤R2≤1，即R2越接近于1，回归模型的拟合优度越好。

（1）简单线性回归方程的判定系数。用式（8-19）计算R2会非常烦琐，可以证明，若一元线性回归方程的相关系数（r）已知，就有这样的结论：R2＝r2。

用【例8-3】 中的数据来计算其判定系数（R2），相关系数r＝-0.988 6，所以R2＝（-0.988 6）2＝0.977 3。

计算结果表明，单位成本的总变差中，有97.73% 可以由回归变差来解释，这说明月产量和单位成本的回归方程＝106.68-6.46x 对真实的y 值有很好的拟合效果。(www.daowen.com)

（2）多元线性回归方程的判定系数（R2）。多元线性回归的R2不需要人工计算，在Excel 的“回归”结果中会给出。

2.估计标准误差

在前面，用判定系数（R2）对回归模型的准确度做了评价，还可以通过SSE＝来衡量回归模型的准确度，在SSE 的基础上形成了估计标准误差的概念。

（1）简单线性回归方程的估计标准误差（Sxy）。定义公式为：

估计标准误差：

同样将【例8-3】 中的数据代入式（8-21），可得：

（2）二元线性回归方程的定义公式为：

多元线性回归的估计标准误差也不需要手算，在Excel 的“回归”结果中会给出。