为什么是残差？

Prism 8 引入了利用方差分析（ANOVA）绘制残差图的功能，前提是您输入的是原始数据，而非以均值、样本量和标准差（SD）或标准误（SEM）形式表示的平均数据。

许多科学家认为残差是回归分析中得到的值。但方差分析（ANOVA）实际上是“伪装”的回归分析。它用于拟合模型。方差分析的一个假设是：该模型的残差服从高斯分布。残差图有助于您评估这一假设。

应创建哪种图？

Prism 可以生成三种类型的残差图。

•残差图。X 轴为预测值，Y 轴为残差。这有助于您发现明显大于或小于其他残差的异常值。

•同方差性图。X 轴为预测值，Y 轴为残差。这可帮助您检查较大值是否与更大的残差（绝对值较大）相关。

•QQ图。X轴为实际残差，Y轴为预测残差，该值基于残差（在所有残差中）的百分位数计算得出，并假设残差服从高斯分布。方差分析（ANOVA）假设残差服从高斯分布，该图可用于检验这一假设。

对于普通方差分析，预测值（用于残差图和同方差性图）即为单元格中各重复的均值。对于重复测量方差分析，预测值还会考虑受试者的均值。

残差诊断

•残差是否呈簇状分布或异方差？方差分析（ANOVA）假设每个样本均随机抽自具有相同标准偏差的总体。Prism 可通过斯皮尔曼等级相关系数检验来检验这一假设。 该检验使用斯皮尔曼相关系数（ρ），其与更常见的皮尔森相关系数（r）相似。皮尔森相关系数比较的是两组数值，而斯皮尔曼相关系数比较的是两组序数。因此，该检验旨在检验数值越大是否往往对应残差越大。

•残差是否服从正态分布？Prism 对残差执行四项正态性检验。所有组别的残差被合并后，作为一组数据进行正态性检验。