请查找定义和解释指导，了解每个残差图。
残差的直方图
残差的直方图显示所有观测值的残差分布。
解释
使用残差的直方图可确定数据是偏斜还是包含异常值。下列表中的模式可能表明模型不符合模型假定。
| 模式 | 模式的含义 |
|---|---|
| 一个方向的长尾 | 偏度 |
| 远离其他条形的条形 | 异常值 |
因为直方图的外观取决于用来进行数据分组的区间数，所以请勿使用直方图评估残差的正态性。反之，可使用正态概率图。
在具有大约 20 个或更多个数据点时，直方图效果最明显。如果样本过小，则直方图的每个条形未包含可靠显示偏度或异常值的足够数据点。
残差的正态概率图
残差的正态概率图显示，当分布呈正态时，残差与期望值的关系。
解释
使用残差正态概率图可验证残差呈正态分布的假设。残差的正态概率图应该大致为一条直线。
以下模式违反了残差呈正态分布这一假设。
S 曲线表示长尾分布。
反向 S 曲线表示短尾分布。
向下的曲线表示右偏斜分布。
远离线的几个点表示分布中有异常值。
如果遇到非正态模式，请使用其他残差图检查模型的其他问题，例如，缺失项或时序效应。如果残差未遵循正态分布，则置信区间和 p 值可能不正确。
残差与拟合值
残差与拟合值图形分别在 y 轴和 x 轴上绘制残差和拟合值。
解释
使用残差与拟合值图可验证残差随机分布和具有常量方差的假设。理想情况下，点应当在 0 的两端随机分布，点中无可辨识的模式。
下表中的模式可能表示该模型不满足模型假设。
| 模式 | 模式的含义 |
|---|---|
| 残差相对拟合值呈扇形或不均匀分散 | 异方差 |
| 曲线 | 缺少高阶项 |
| 远离 0 的点 | 异常值 |
| 在 X 方向远离其他点的点 | 有影响的点 |
下图显示了残差方差为常量这一假设中的异常值和冲突。
含异常值的图
其中一个点比所有其他点大得多。因此，该点是异常值。如果异常值过多，则模型可能不可接受。您应该尝试找出导致任何异常值的原因。更正任何数据输入错误或测量误差。考虑删除与异常的单次事件（也称为特殊原因）相关联的数据值。然后，重新执行分析。
含异方差的图
残差的方差随拟合值增加。请注意，随着拟合值增大，残差之间的散布变宽。此模式表示残差的方差不相等（非恒定）。
若要确定残差图与拟合图中的任何模式或异常值，请考虑以下解决方案：
| 问题 | 可能的解决方案 |
|---|---|
| 异方差 | 考虑使用具有 Box-Cox 变换的拟合一般线性模型。 |
| 异常值或有影响的点 |
|
残差与顺序
残差与顺序图按照数据的收集顺序显示残差。
解释
使用残差与顺序图可验证残差独立于其他残差的假设。当以时序显示时，独立残差不显示趋势或模式。点中的模式可能表明，彼此相近的残差可能相关联，因此并不独立。理想情况下，图中的残差应围绕中心线随机分布：
如果查看模式，便可查出原因。下列类型的模式可能表明残差属于依赖项。
趋势
偏移
周期
残差与变量
残差与变量的关系图显示残差与另一个变量的关系。已在模型中包含此变量。或者，模型中未包含此变量，但是猜测它会影响响应。
解释
如果在残差中看到非随机图形，则表明变量会系统性地影响响应。请考虑在分析中包含此变量。
