使用学生化残差进行诊断大家好，
我正在尝试识别 REML 混合模型的异常值，该模型包括两个名义固定因子和一个随机因子。 如下面的屏幕截图所示，奇偶图、行残差图和预测图残差都清楚地将六个观测值标记为强异常值（黑点）。 然而，这些异常值并未在学生化残差图中捕获，其中它们的残差与其他残差（灰点）相当，并且在 +/- 3 限制内。 此外，通过删除三个异常值并重新拟合模型，一切看起来都完全正常，并且模型现在可以很好地预测最初被识别为异常值的其他三个观察值。 有什么意见可能是这些案例的根本原因吗？ 谢谢。
删除三个异常值后重新拟合模型
数据探索和可视化质量和工艺工程视窗回复：学生化残差诊断首先，欢迎来到社区。
我的想法：
有许多统计数据可用于评估给定模型（及其充分性）。 残差图（包括学生化残差图）对于识别异常值可能非常有帮助。 没有一个情节在所有情况下都是最好的。 当绘图识别出这些潜在的异常点时，您必须记住，异常的不是实际数据，而是模式在预测实际数据点方面做得很差。 这是模型可能需要重新评估的一个指标（也许更重要的是，您可以更好地理解工作中的真实机制/因果关系）。 另请记住，模型和与模型评估相关的所有统计数据（RMSE、p 值、R 平方-R 平方调整增量等）都是有条件的。 更改模型中的内容或估计 MSE 或推理空间等的内容，模型充分性可能/将会发生变化（因此当您删除数据时，会创建一个新模型并更改残差图）。 如果识别出异常值，我总是首先使用实际意义，那么模型中的项可能无法充分预测实际值。 这通常是系统中噪声影响以及可能不一致的噪声的结果。 按行绘制残差时，始终确保数据首先按运行顺序排序。 这可能会提供有关模型何时具有的线索问题。
