← 返回工具箱

🔍回归诊断

检验回归模型的假设是否成立,确保分析结果可靠

💡 适用场景:验证回归模型假设、检测异常值、诊断模型问题、论文审稿回复
正在加载计算引擎...
📊真实行业案例免费开放

点击案例自动加载回归数据并运行诊断分析


加载案例中...

📝 输入回归数据

手动输入
上传文件

例如:广告投放费用, 促销次数

例如:销售额

用逗号分隔,便于理解结果

📊 诊断结果

🔍

输入数据后点击"开始诊断"

📊 核心指标
--
--
调整 R²
--
样本量 n
--
通过
--
警告
--
不通过

模型诊断结果

--

🔬 详细诊断
📈 残差图
残差 vs 拟合值
Q-Q 图
💡 结果解读
🐍查看 Python 代码

                        

📖 回归诊断是什么?

回归分析基于一系列假设。如果这些假设不成立,回归结果可能不可靠。回归诊断帮助你检验这些假设。

🔬 四大核心诊断

  • 残差正态性 - 残差应服从正态分布。使用 Shapiro-Wilk 检验。
    违反影响:置信区间和假设检验可能不准确
  • 同方差性 - 残差的方差应保持恒定。使用 Breusch-Pagan 检验。
    违反影响:标准误估计有偏,t检验和F检验失效
  • 无自相关 - 残差之间应相互独立。使用 Durbin-Watson 检验。
    违反影响:标准误被低估,显著性被夸大
  • 多重共线性 - 自变量之间不应高度相关。使用 VIF(方差膨胀因子)。
    违反影响:系数估计不稳定,难以解释各变量的独立影响

📊 判断标准

  • Shapiro-Wilk - p > 0.05 表示残差近似正态
  • Breusch-Pagan - p > 0.05 表示同方差性成立
  • Durbin-Watson - 接近2表示无自相关(1.5-2.5通常可接受)
  • VIF - VIF < 5 可接受,VIF > 10 有严重共线性问题

🛠 如果诊断不通过怎么办?

  • 非正态 → 考虑变量转换(如对数转换)或使用稳健回归
  • 异方差 → 使用稳健标准误或加权最小二乘法
  • 自相关 → 检查是否遗漏重要变量,或使用时间序列模型
  • 多重共线性 → 删除高相关变量、使用主成分回归或岭回归

📊 探索更多统计工具

19 个统计工具免费使用,涵盖假设检验、回归分析、聚类分析等

查看全部工具 →

正在诊断...