残差图

残差图（Residual Plot）是回归诊断中用于检验模型假设的核心图形工具。它以残差（观测值与拟合值之差）为纵轴，以拟合值、自变量或观测顺序为横轴绘制散点图，从而可视化地揭示模型可能存在的设定偏误、异方差、非线性及异常值等问题。在实证经济学研究中，残差图是 OLS 回归后不可或缺的诊断步骤——任何不经残差检验就接受的回归结果，其推断的有效性都悬而未决。

基本形式与构造

最常用的残差图将标准化残差 $r_i$（或学生化残差）对拟合值 $\hat{y}_i$ 绘制。若模型假设成立，残差应满足零均值、等方差且无系统模式，图像表现为围绕零线随机散布的水平带状。此外，常见的变体包括：

• 残差-自变量图：检测遗漏的非线性关系或交互效应。
• Q-Q 图（分位数-分位数图）：将标准化残差的分位数对正态分布理论分位数绘制，用以判断正态性假设。
• Scale-Location 图：将 $\sqrt{|r_i|}$ 对拟合值绘制，放大异方差模式的视觉信号。
• 残差-Leverage 图（Residuals vs Leverage）：叠加 Cook 距离等高线，识别对回归系数有不成比例影响的高杠杆点。

模式诊断

残差图中特定形态对应特定的模型问题：

1. 漏斗形（喇叭形）：残差散布随拟合值增大而扩大（或缩小），指示异方差。此时应检验 Breusch-Pagan 或 White 检验，并考虑使用稳健标准误（Huber-White）或 WLS。
2. 弯曲/∪ 形：残差呈现系统性曲线，表明遗漏了平方项或交互项——模型线性假设被违反。解决方案是加入 $X^2$、$\log X$ 或采用非参数回归。
3. 倾斜带状：出现在因变量为二值或计数数据时，提示 OLS 不适用，应改用 logit、probit 或 Poisson 模型。
4. 孤立离群点：某观测的标准化残差绝对值显著大于 3（或学生化残差大于 ±2），标记为潜在异常值，需逐一核查数据来源或测量误差。
5. 序列相关模式：残差呈现长游程（连续正值后连续负值），对时间序列数据意味着自相关——应检查 Durbin-Watson 统计量并使用 Newey-West 标准误或 AR 类模型。

经济学应用与汇报

在经济学实证中，残差图常用于：劳动经济学中诊断 Mincer 工资方程的设定偏误（如遗漏教育平方项导致的非线性残差）；金融计量中检测 CAPM 回归的异方差与厚尾特征；发展经济学中鉴别政策评估回归中的异常观测（如极端值驱动的显著性）。汇报回归结果时，建议在附录或稳健性检验部分提供关键残差图，以增强结论的可信度与可复现性。

残差图的最佳实践可总结为：每次 OLS 回归后务必检视残差-拟合值图与 Q-Q 图；遇到非随机模式时，针对性修正模型而非无视诊断信号——选择性地只报告"好看"的残差图本身就是一种 p-hacking 的变体；对高维数据可结合偏残差图（partial residual plot / component-plus-residual plot）分解各变量的边际效应。残差图的终极价值不在于发现"完美"的随机散布，而在于通过识别偏离来引导模型改进，使统计推断建立在更可靠的基础之上。多数权威计量教科书（如 Wooldridge 和 Angrist \& Pischke）均强调："诊断优于估计"——模型设定正确性的检验至少应与参数估计本身受到同等重视。