残差图

最新推荐文章于 2025-04-22 16:59:09 发布

知道不_zkl

最新推荐文章于 2025-04-22 16:59:09 发布

阅读量2.4w

点赞数 4

分类专栏：机器学习

本文链接：https://blog.csdn.net/weixin_41500849/article/details/80372432

版权

机器学习专栏收录该内容

28 篇文章

订阅专栏

本文介绍了残差图的概念及其在回归分析中的作用。通过不同的横坐标选择（如拟合值、观测值或时间），可以有效检测模型的有效性和异常值。文章详细解释了如何解读残差图，并给出了几种典型的残差图形态及其含义。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

残差图

残差图是以某种残差为纵坐标，以其他适宜的两位横坐标的散点图。这里横坐标有多种选择，最常见的选择是：

因素的拟合值
某变量的观察值
在因变量的观察值 $Y_1,Y_2,\cdots,Y_n$ 为一时间序列时

横坐标可取为观察时间或观察序号。通过对残差及残差图的分析，以考察模型假设的合理性的方法，称为残差分析。这些方法比较直观，应用上效果也好。目前许多统计软件包均能打出残差图。可用来检查回归线的异常点，在分析观测中常用的散点图是以自变量我横坐标的残差图。

定义

以残差 $\hat \epsilon_i$ 为纵坐标，以拟合值 $\hat y_i$ 或对应的数据观测序号 $i$ 或数据观测时间为横坐标的散点图称为残差图，残差图是进行模型诊断的重要工具。

横坐标为回归值

为检验建立的多元线性回归模型是否合适，可以通过回归值 $\hat Y$ 与残差的散点图来检验，其方法是画出回归值 $\hat Y$ 与普通残差的散点图 $(\hat Y_i,\hat \epsilon_i),i=1,2,\cdots,n$ 或者画出回归值 $\hat Y$ 与标准残差的散点图 $(\hat Y_i,r_i),i=1,2,\cdots,n$ 其图形可能出现以下三种情况：

对于图1(a)的情况，不论回归值 $\hat Y$ 具有相同的分布，而残差 $\hat \epsilon_i$ 或 $r_i$ 并满足模型的各假设条件；对于图1(b)的情况，表示回归值的 $\hat Y$ 大小与残差的波动大小有关系，即等方差性的假设有问题；对于图1(c)，表示线性模型不合适的样本，可能有异常值存在

对于图1(a)，如果大部分点都落在中间(b)部分，而只有少数几个点落在外边，则这些点对应的样本，可能有异常值存在。

横坐标为观测值

以每个 $X_j(1<j<p)$ 的各个观测值 $x_ij（1<i<n)$ 为点的横坐标，即以自变量为横坐标的残差图。与拟合值 $\hat Y$ 为横坐标的残差图一样，满意的残差图呈现图1a的水平带状，如果呈图1b的形状，则说明误差是等方差的假设不合适，若呈现图1c的形状，则需要再模型中添加 $X_j$ 的高次项，或者对 Y <script type="math/tex" id="MathJax-Element-122">Y</script>作变换。