残差大小与拟合效果的关系
残差计算公式和标准？
残差计算公式和标准？
残差计算公式：实际观察值与估计值（拟合值）之间的差。残差以δ表示。“残差”蕴含了有关模型基本假设的重要信息。如果回归模型正确的话，可以将残差看作误差的观测值
在回归分析中，测定值与按回归方程预测的值之差(简单的说，残差也就是指实际观察值与回归估计值的差), 以δ表示。残差δ遵从正态分布N(0，σ2)。（δ-残差的均值）/残差的标准差，称为标准化残差，以δ*表示。δ*遵从标准正态分布N(0，1)。
回归分析中，相关指数R2的值越大，说明残差平方和（）A．越小B．越大C．可能大也可能小D．以上都不？
用系数R2的值判断模型的拟合效果，R2越大，模型的拟合效果越好，而用相关系数r的值判断模型的拟合效果时，|r|越大，模型的拟合效果越好，
由此可知相关指数R2的值越大，说明残差平方和越小．
故选A
残差均方是啥？
残差均方（residual sum of squares/sum squared residual）指的是在线性模型中衡量模型拟合程度的一个量，用连续曲线近似地刻画或比拟平面上离散点组，以表示坐标之间函数关系的一种数据处理方法。用解析表达式逼近离散数据的一种方法。在科学实验或社会活动中，通过实验或观测得到变量x与y的一组数据对(xe，ye)（e1，2，…），其中各xe是彼此不同的 。
正态性检验和残差分析？
这个问题可以分解为方面残差为什么要随机，随机为什么符合正态
关于残差为什么要随机，我们做拟合的时候，响应变量y应该是预测变量X的函数，但是现实并没有那么友善，往往会出现一些奇奇怪怪的事让X与y不符合这个函数。比如对身高的影响，一对双胞胎，从小一块长大，但是他们身高不可能完全一样。所以把这种只有上帝才知道怎么回事的变化叫做随机误差项，它本身就是随机的，不可预测的。我们所做的模型中的残差就是对这个随机误差的估计，残差如果不是随机的证明残差中的一部分还是与预测变量有关系，需要再增加一个x。
关于随机数为什么会符合正态分布，有个东西叫高尔顿钉板，它就可以说明为什么随机的会是正态分布。举个例子：掷硬币结果正反是随机的，我们掷两枚硬币，正是1反是0。结果中零的概率1/4，一的概率1/2，二的概率1/4，很明显中间的可能性比较大。同样，一组0到100的随机数，经过n次随机左右的选择，落到中间的会比落到两边的概率大。结果就表现为一个正态分布。
那么结果就出来了，如果残差是正态分布我们就可以认为他是随机的，如果它是随机的就可以认为它是对随机误差比较好的拟合，就可以认为你的可确定部分 X提取了所有的可预测部分，证明你的模型是把所有的X提取全了。