殘差正態性檢驗我正在繪製 Y 與 X 的關係圖（見附件）。 回歸線看起來相當不錯。 R 序列 > 0.99。
然而，當我製作殘差圖時，我得到一個倒U。
有人說這樣的殘差表明回歸線不夠好。
我的問題是：
1. 是否有某種方法可以改善殘差圖和 Leniar 回歸（可能通過改變截距？）。
2.我執行了殘差正態分佈檢驗。 該檢驗證實殘差呈正態分佈。 這是證明 lenier 回歸線確實良好的證據嗎？
從文獻中可以看出，如果殘差正態性檢驗證實了 95% CI，那麼回歸線就是好的。
3. 有人可以提供有關如何解釋“殘差正態分位數圖”的簡短反饋嗎？
如果有人可以提供善意的反饋，我將不勝感激。
問候
回复：殘差的正態性檢驗我同意吉姆的觀點。 回歸分析清楚地表明與一階模型不相符。 二階模型具有統計顯著性。 面積對濃度變化的響應不是線性的。 一階模型的殘差模式表明存在兩個線性部分，就好像存在斷點而不是曲線，儘管二階模型似乎很好地解釋了這一點。
第一個想法：為什麼這種關係應該是線性的？ （流程或系統要求？ 理論預測？）非線性的容忍度是多少？
第二個想法：重複數據表現出非常小的變化，因此 LOF 檢驗始終顯著，即使對於其中三階和四階項不顯著的四階模型也是如此。 它們是真正的複製品嗎？ 也就是說，您每次準備三個樣品還是僅測量同一個樣品三次？
第三個想法：面積和濃度值是如何確定或測量的？
第四個想法：在我看來，這項研究是校准或標準曲線。 因此，您可能會發現變異圖表中的線性研究以及測量系統分析很有用。 有關這些平台及其方法的更多信息，請參閱“幫助”>“書籍”>“質量和流程”。
回复：殘差的正態性檢驗一般來說，回歸越好，殘差就越小，因此它們將變得更加最優。當您處理的模型是多元線性回歸時，可以使用逐步過程來找到最少數量的預測變量的最佳回歸。但就你而言，你只能處理多項式回歸。您可以創建 Y*Y 和 Y*Y*Y 列，甚至 Y*Y*Y*Y，然後進行逐步回歸以查看是否有顯著更高級別的多項式，但只有固定數量的 X 級別，我不相信這會有什麼好處。
回复：殘差的正態性檢驗是否有某種方法可以以優化殘差圖的方式改變回歸線？
回复：殘差的正態性檢驗鑑於您擁有的數據，這表明該過程是曲線的，而不是線性的。
回复：殘差的正態性檢驗親愛的朋友吉姆，
感謝您的友好反饋。 事實上，我有義務確認這個過程是線性的。 現在的問題是，如果我使用多項式來擬合直線，那麼我仍然可以將其稱為線性過程還是這不是線性過程？
再次感謝您的熱心幫助。
回复：殘差的正態性檢驗您的線性回歸很顯著，並且 R2 非常好，但是，對散點圖的審查暗示數據存在曲率。當運行多項式回歸時，R2 更強，RMSE 更小，表明多項式是比線性回歸更好的預測變量。所以我個人會選擇多項式。
回复：殘差的正態性檢驗這是否意味著倫尼爾回歸無效？
事實上，我應該表現出寬容的態度。 那麼這是否意味著這個過程實際上一點也不寬鬆？
還有其他方法可以檢查嗎？
回复：殘差的正態性檢驗您所顯示的殘差圖向我表明您需要進行多項式回歸。
