使用學生化殘差進行診斷大家好，
我正在嘗試識別 REML 混合模型的異常值，該模型包括兩個名義固定因子和一個隨機因子。 如下面的螢幕截圖所示，奇偶圖、行殘差圖和預測圖殘差都清楚地將六個觀測值標記為強異常值（黑點）。 然而，這些異常值並未在學生化殘差圖中捕獲，其中它們的殘差與其他殘差（灰點）相當，並且在 +/- 3 限制內。 此外，透過刪除三個異常值並重新擬合模型，一切看起來都完全正常，並且模型現在可以很好地預測最初被識別為異常值的其他三個觀察值。 有什麼意見可能是這些案例的根本原因嗎？ 謝謝。
刪除三個異常值後重新擬合模型
數據探索和視覺化品質和工藝工程視窗回覆：學生化殘差診斷首先，歡迎來到社區。
我的想法：
有許多統計數據可用於評估給定模型（及其充分性）。 殘差圖（包括學生化殘差圖）對於識別異常值可能非常有幫助。 沒有一個情節在所有情況下都是最好的。 當繪圖識別出這些潛在的異常點時，您必須記住，異常的不是實際數據，而是模式在預測實際數據點方面做得很差。 這是模型可能需要重新評估的指標（也許更重要的是，您可以更好地理解工作中的真實機制/因果關係）。 另請記住，模型和與模型評估相關的所有統計數據（RMSE、p 值、R 平方-R 平方調整增量等）都是有條件的。 更改模型中的內容或估計 MSE 或推理空間等的內容，模型充分性可能/將會發生變化（因此當您刪除資料時，會建立一個新模型並更改殘差圖）。 如果辨識出異常值，我總是先使用實際意義，那麼模型中的項可能無法充分預測實際值。 這通常是系統中噪音影響以及可能不一致的噪音的結果。 在按行繪製殘差時，請務必確保資料首先按運行順序排序。 這可能會提供有關模型何時具有的線索問題。
