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 Y1,Y2,⋯,Yn Y 1 , Y 2 , ⋯ , 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 ϵ^i ϵ ^ i 为纵坐标，以拟合值 y^i y ^ i 或对应的数据观测序号 i 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 与残差的散点图来检验，其方法是画出回归值 Y^ Y ^ 与普通残差的散点图 (Y^i,ϵ^i),i=1,2,⋯,n ( Y ^ i , ϵ ^ i ) , i = 1 , 2 , ⋯ , n 或者画出回归值 Y^ Y ^ 与标准残差的散点图 (Y^i,ri),i=1,2,⋯,n ( Y ^ i , r i ) , i = 1 , 2 , ⋯ , 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 Y^ Y ^ 具有相同的分布，而残差 ϵ^i ϵ ^ i 或 ri 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 Y^ 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 Xj(1<j<p) X j ( 1 < j < p ) 的各个观测值 xij（1<i<n) x i j （ 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 Y^ 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 Xj X j 的高次项，或者对 Y Y <script type="math/tex" id="MathJax-Element-122">Y</script>作变换。
图1a
图1b
图1c
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容，请联系我们，一经查实，本站将立刻删除。
如需转载请保留出处：https://51itzy.com/kjqy/64553.html