在我们的免费在线课程中了解更多信息：
解决工业问题的统计思维
在本视频中，我们使用清洁数据来拟合回归模型移动和ID使用 X 拟合 Y，然后进行残差分析以评估模型假设。
我们从 Analyze 菜单中选择 Fit Y by X。 我们将使用移动作为 Y，响应， ID作为 X、因子，然后单击“确定”。
然后，我们将从红色三角形中选择拟合线来拟合回归模型。
正如我们之前看到的，拟合回归方程显示在线性拟合下。
要了解线性模型是否有意义，我们将分析残差图。
为此，我们从线性拟合旁边的红色三角形中选择绘制残差。 这会产生各种残差图。
让我们一次看这些。
Residual by Predicted 图中的残差随机散布在零中心线周围，没有明显的模式。
直方图中残差的分布看起来并不过分正态，但我们只有 50 个观测值。 相反，我们查看残差正态分位数图。 在该图中，我们没有看到任何明显偏离常态的情况。
Actual by Predicted Plot 中的点随机散布在拟合线周围，因此这是另一个好兆头。
行图的残差如何？ 假设我们的数据是按时间排序的。 Residual by Row Plot 中没有任何明显的系统模式，因此看起来顺序观察之间并不相关。
我们也没有在任何图中看到异常值。
由于我们的回归假设没有被违反，我们可以继续解释我们的回归模型。
我们将在另一个视频中讨论统计输出，以及如何使用我们的模型进行预测。
