SPSS残差分析完整实操教程：线性回归模型诊断全指南.docxVIP

【12天搞定基础统计学·Day7】线性回归结果全白搭？学会残差分析，SPSS一键排查模型bug

很多新手做线性回归，算出P＜0.05、R2看着还行，直接把结果写进论文/报告，最后被审稿人、领导打回：你的回归模型前提假设不成立，结论不可信！

90%的回归踩坑，根源都是跳过了「残差分析」。不少刚接触统计的小白会有一个误区：只要软件跑出显著性P值，就代表分析合格，完全不知道回归模型有一套硬性“体检标准”。打个比方，我们去医院抽血化验，不能只看单项指标，还要确认身体基础状态达标；线性回归也是同理，回归系数、P值、R2只是最终化验结果，而残差分析就是给模型做全套体检。

残差就像模型的体检报告，不用复杂推导，只用SPSS画图+看指标，就能一次性验证线性回归四大黄金条件（LINE）：线性、独立、正态、方差齐。很多同学做实验、收集业务数据耗费数周，最后却因为忽略残差诊断，整篇分析全部作废，白白浪费时间精力。

今天一文讲透：什么是残差、为什么必须做残差分析、SPSS完整操作流程，附赠医护血压案例+门店营收商业案例两套完整原始数据，复制粘贴到SPSS就能跟着实操，零基础也能一次学会。

一、大白话搞懂：残差到底是什么？

1.通俗定义

残差=真实观测值?模型预测值（公式：e=y?y^）

举个生活化例子：

你用身高、体重预测血压，某患者真实血压144，模型