将每一个数据点的横坐标找出，将其代入回归模型方程，计算出理论纵坐标值。将数据点的实际纵坐标减去计算出的、对应的理论纵坐标值，得到两者之差。计算两者之差的平方，并将所有平方相加，最后结果即为残差平方和。

残差平方和RSS具有以下性质：只有常数项而没有其他解释变量的回归方程的RSS和TSS相等，其决定系数为0。增加解释变量必然导致RSS减小。因此，如果想降低RSS，只要在回归方程中尽可能地加入解释变量就能达到目的。

包含常数项全部解释变量的个数K等于样本数n时，RSS为0，决定系数为1。在一些场合，t检验不仅可以进行双侧检验，也可以进行单侧检验。而F检验没有单侧和双侧的区别。当进行双侧检验时，两种检验的P值相同。

统计学上，把数据点与它在回归直线上相应位置的差异称为残差，把每个残差平方之后加起来称为残差平方和，它表示随机误差的效应。一组数据的残差平方和越小，其拟合程度越好。

残差平方和的计算方法可以用于评估回归模型的拟合优度。当模型的残差平方和较小，说明模型较好地捕捉了数据中的规律。如果模型的残差平方和较大，说明模型可能未能很好地拟合数据，可能需要进一步调整模型参数或加入新的解释变量。

在实际应用中，通过比较不同模型的残差平方和，可以评估不同模型之间的拟合优度。选择残差平方和较小的模型，可以提高预测的准确性。

此外，残差平方和的计算还可以用于检验模型假设。例如，在进行回归分析时，如果模型假设残差服从正态分布且方差齐性，可以通过计算残差平方和来检查这些假设是否成立。

总之，残差平方和是衡量回归模型拟合优度的重要指标，通过计算残差平方和，可以评估模型的性能并进行相应的调整。