Tilastoissa virhetermi on kunkin todellisen havainnon poikkeamien summa mallin regressiolinjasta. Regressioanalyysillä määritetään kahden muuttujan, yhden riippumattoman ja toisen riippuvaisen, välinen korrelaatioaste, jonka tuloksena on viiva, joka parhaiten “sovittaa” riippuvaisen arvon tosiasiallisesti havaitut arvot suhteessa riippumattomaan muuttujaan tai muuttujiin. Toisin sanoen virhetermi on termi mallin regressioyhtälössä, joka laskee yhteen ja selittää selittämättömän erot riippumattoman muuttujan todellisten havaittujen arvojen ja mallin ennustamien tulosten välillä. Virhetermi on siis mitta siitä, kuinka tarkasti regressiomalli heijastaa riippumattoman ja riippuvan muuttujan tai muuttujien todellista suhdetta. Virhetermi voi osoittaa joko, että mallia voidaan parantaa, esimerkiksi lisäämällä toinen riippumaton muuttuja, joka selittää osan tai kaikki erot, tai satunnaisuus, mikä tarkoittaa, että riippuvainen ja riippumaton muuttuja tai muuttujat eivät korreloi suuremmassa määrin .
Matemaattisen tavan mukaan virhe termi, joka tunnetaan myös nimellä jäännös- tai häiriötermi, on mallin regressioyhtälön viimeinen termi ja sitä edustaa kreikkalainen kirjain epsilon (e). Taloustieteilijät ja rahoitusalan ammattilaiset käyttävät säännöllisesti regressiomalleja tai ainakin niiden tuloksia ymmärtääkseen ja ennustaakseen monenlaisia suhteita, kuten kuinka rahan tarjonnan muutokset liittyvät inflaatioon, miten osakemarkkinahinnat liittyvät työttömyyteen tai miten hyödykkeiden hintojen muutokset vaikuttavat tiettyihin talouden alan yrityksiin. Virhetermi on siis tärkeä muuttuja, joka on pidettävä mielessä ja jota on seurattava, koska se mittaa, missä määrin jokin malli ei heijasta tai ota huomioon riippuvaisten ja riippumattomien muuttujien välistä todellista suhdetta.
Regressioanalyysissä käytetään yleensä kahta virhetyyppiä: absoluuttinen virhe ja suhteellinen virhe. Absoluuttinen virhe on virhetermi, kuten aiemmin määriteltiin, riippumattoman muuttujan todellisten havaittujen arvojen ja mallin ennustamien tulosten välinen ero. Tästä johtuen suhteellinen virhe määritellään absoluuttiseksi virheeksi jaettuna mallin ennustamalla tarkalla arvolla. Prosentteina ilmaistuna suhteellinen virhe tunnetaan prosenttivirheenä, mikä on hyödyllistä, koska se asettaa virheilmoituksen suurempaan perspektiiviin. Esimerkiksi virhetermi 1, kun ennustettu arvo on 10, on paljon huonompi kuin virhe termi 1, kun ennustettu arvo on miljoona, kun yritetään keksiä regressiomalli, joka näyttää kuinka hyvin kaksi tai useampia muuttujia korreloivat.