为什么需要残差？

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获得的值。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。残差图有助于您检验这一假设。

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。这有助于您发现远大于或小于其余值的残差。

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

•QQ图。X轴为实际残差，Y轴为预测残差，后者基于残差的百分位数（在所有残差中）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）仅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

•残差是否呈聚类分布或异方差？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) 类似。皮尔森相关系数比较两组数值，而斯皮尔曼相关系数比较两组序数。因此，该检验旨在验证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。所有组别的残差会被合并，然后作为一组数据进行正态性检验。