回归模型中，总离差平方和、回归平方和和残差平方和是评估模型拟合效果的重要指标。
1. 总离差平方和：代表因变量与均值之间的总体变异程度。简单来说，TSS衡量了数据点与其均值之间的总体误差。它是计算其他两个统计量的基础。
2. 回归平方和：表示模型解释的因变量变异的部分。它是通过回归模型预测的响应变量的变化程度。 ESS反映了模型对目标变量的解释能力，即模型的拟合程度。一个较大的ESS值意味着模型能够更好地解释数据中的变化。
3. 残差平方和：代表模型未能解释的因变量变异部分。它是实际观测值与模型预测值之间的差异的平方和。RSS越小，说明模型的预测值与真实数据越接近，模型的拟合效果越好。
详细解释如下：
在回归分析中，我们的目标是找到一个模型，能够最好地描述数据之间的关系并预测未来的数据点。为了评估模型的优劣，我们需要使用一些统计量来衡量模型的拟合效果。总离差平方和、回归平方和和残差平方和就是其中的三个重要指标。
总离差平方和是反映因变量波动大小的指标，它帮助我们了解数据点与其均值之间的总体误差。回归平方和则反映了模型对数据的解释能力，一个好的模型应该能够解释数据中大部分的变化。而残差平方和则衡量了模型未能解释的部分，一个较小的RSS值意味着模型的预测更加准确。
通过对这三个指标的分析，我们可以对回归模型的拟合效果进行全面的评估，从而决定是否需要进一步优化模型或者选择其他类型的模型。
