殘差分析：迴歸模型建完，還沒結束

情境

你建了一個迴歸模型，R² = 0.87，P 值也很顯著。主管看了點點頭說「不錯」。但你在用模型預測時，發現預測值在高溫區域系統性偏低。

問題出在哪？R² 沒問題、P 值沒問題，但模型假設被違反了，而你沒有做殘差分析。

什麼是殘差

殘差 = 實際值 - 預測值

每個數據點都有一個殘差，代表模型沒有解釋到的部分。如果模型完美，殘差應該是隨機雜訊——沒有任何規律、沒有型態。

殘差分析就是找殘差有沒有型態。有型態代表模型有問題。

四種必看的殘差圖

1. 殘差 vs 配適值圖（Residuals vs Fitted）

X 軸：模型預測值

Y 軸：殘差

理想狀況： 點隨機散布在 0 附近，無型態 問題訊號：

扇形展開（異方差）：高預測值的殘差變大 → 考慮對 Y 取 log

曲線型態（非線性）：模型應加入 X² 項

分群：數據可能來自不同製程或批次

2. 常態機率圖（Normal Probability Plot of Residuals）

理想狀況： 點落在直線上 問題訊號：

S 型曲線：殘差分布有厚尾，可能有離群值

兩段直線：數據可能混合了兩種分布

3. 殘差 vs 順序圖（Residuals vs Order）

X 軸：數據收集順序

Y 軸：殘差

理想狀況： 隨機分布 問題訊號：

趨勢：有時間效應（設備磨耗、溫度漂移）

週期性：輪班效應或週期性干擾

4. 殘差直方圖

理想狀況： 鐘型對稱分布 問題訊號：

偏態：可能需要轉換

雙峰：數據混合了兩個族群

發現問題後怎麼辦

問題可能解法非線性加入 X² 或交互項異方差對 Y 取 log 或加權迴歸時間趨勢加入「時間」作為共變數離群值確認原因後決定保留或移除非常態樣本夠大時不太影響，樣本小時考慮非參數方法

殘差分析 vs 模型指標

指標告訴你什麼告訴不了你什麼 R²整體解釋力模型假設是否成立 P 值係數是否顯著殘差是否隨機殘差分析假設是否成立解釋力大小

三個都要看，缺一不可。

金句

「R² 告訴你模型有多好，殘差圖告訴你模型有沒有說謊。只看 R² 是只問成績，沒問作弊了沒。」