python 残差图_为啥一定要用残差图检查你的回归分析？

先说残差图究竟是什么鬼。

Residual Illustration

残差图是指以残差为纵坐标，以任何其他指定的量为横坐标的散点图。(上图仅是残差的示意图，非残差图，残差图可见下文)

用普通最小二乘法(OLS)做回归分析的人都知道，回归分析后的结果一定要用残差图(residual plots)来检查，以验证你的模型。你有没有想过这究竟是为什么？残差图又究竟是怎么看的呢？

这背后当然有数学上的原因，但是这里将着重于聊聊概念上的理解。从根本上说，随机性(randomness)和不可预测性(unpredictability)是任何回归模型的关键组成部分，如果你没有考虑到这两点，那么你的模型就不可信了，甚至说是无效的。

为什么这么说呢？首先，对于一个有效的回归模型来说，可以细分定义出两个基本组成部分：

Response =（Constant + Predictors）+ Error

我想说的是另一种说法，那就是：

响应(Response) = 确定性(Deterministic) + 随机性(Stochastic)

(有时候真是不得不吐槽下，毕竟是外国人发明的现代科学，中文翻译过来难眠有混淆视听之嫌，学术词汇的理解还是看英文更能清晰本质，一会就会聊到Stochastic就明白为什么这么说)

确定性部分(The Deterministic Portion)

为了完整，先提一下Deterministic这部分。在预测模型中