在我們的免費在線課程中了解更多信息：
解決工業問題的統計思維
在本視頻中，我們使用清潔數據來擬合回歸模型移動和ID使用 X 擬合 Y，然後進行殘差分析以評估模型假設。
我們從 Analyze 菜單中選擇 Fit Y by X。 我們將使用移動作為 Y，響應， ID作為 X、因子，然後單擊“確定”。
然後，我們將從紅色三角形中選擇擬合線來擬合回歸模型。
正如我們之前看到的，擬合回歸方程顯示在線性擬合下。
要了解線性模型是否有意義，我們將分析殘差圖。
為此，我們從線性擬合旁邊的紅色三角形中選擇繪製殘差。 這會產生各種殘差圖。
讓我們一次看這些。
Residual by Predicted 圖中的殘差隨機散佈在零中心線周圍，沒有明顯的模式。
直方圖中殘差的分佈看起來並不過分正態，但我們只有 50 個觀測值。 相反，我們查看殘差正態分位數圖。 在該圖中，我們沒有看到任何明顯偏離常態的情況。
Actual by Predicted Plot 中的點隨機散佈在擬合線周圍，因此這是另一個好兆頭。
行圖的殘差如何？ 假設我們的數據是按時間排序的。 Residual by Row Plot 中沒有任何明顯的系統模式，因此看起來順序觀察之間並不相關。
我們也沒有在任何圖中看到異常值。
由於我們的回歸假設沒有被違反，我們可以繼續解釋我們的回歸模型。
我們將在另一個視頻中討論統計輸出，以及如何使用我們的模型進行預測。
