残差图与线性拟合图的关系
一元线性回归方程的判定系数？
一元线性回归方程的判定系数？
判定系数: 实际观测值与回归方程预测值之差的平方再求和
判定系数：用于估计回归方程是否很好的拟合了样本的数据，判定系数为估计的回归方程提供了一个拟合优度的度量
误差平方和---SSE
对于样本中的第i次的观测值，应变量的观测值和应变量的预测值之间的离差为第i个残差，第i个残差表示用去估计的误差，
于是，对于第i次观测值，它的残差是 - ，这些残差或误差的平方和是一个用最小二乘来极小化的量。这个量就是误差平方和，记作SSE
残差和离差有何区别？
比如说数据真实值是Y1 Y2 Y3 Y4 X1 X2 X3 X4,不多写了，那么对Y来说，平均值是(Y1 Y2 Y3 Y4)/4,离差是每个数据减去均值，离差的和显然为0，所以一般都考虑的是离差平方和，来判断数据的离散程度。
残差是真实值-估计值，估计值是通过建立模型，对参数估计之后，利用估计出的参数，带回到模型，然后再把自变量代入，求出的Y，这个时候就是估计值，残差反映的是模型的拟合程度的好坏。平均值是一个数，估计值，每个数据的一般都不同
残差计算公式和标准？
残差计算公式：实际观察值与估计值（拟合值）之间的差。残差以δ表示。“残差”蕴含了有关模型基本假设的重要信息。如果回归模型正确的话，可以将残差看作误差的观测值
在回归分析中，测定值与按回归方程预测的值之差(简单的说，残差也就是指实际观察值与回归估计值的差), 以δ表示。残差δ遵从正态分布N(0，σ2)。（δ-残差的均值）/残差的标准差，称为标准化残差，以δ*表示。δ*遵从标准正态分布N(0，1)。
线性回归方程拟合效果怎么判断？
R的平方愈接近1,这说明拟合效果就越好拟合的函数愈逼真.
相关系数越接近1越好，一般要求大于0.9，统计量的概率一般要小于0.05，所做的模型才可以使用。此外残差的置信区间应该包括0，但是对于拟合到什么程度，才算满意没有严格的标准来进行界定。
变量的相关关系中最为简单的是线性相关关系,设随机变量*与变量之间存在线性相关关系,则由试验数据得到的点(,)将散布在某一直线周围,因此,可以认为关于的回归函数的类型为线性函数,即,下面用最小二乘法估计参数、b,设服从正态分布,分别求对、b的偏导数,并令它们等于零，得方程组 解得 其中 ， 且为观测值的样本方差. 线性方程称为关于的线性回归方程,称为回归系数,对应的直线称为回归直线.顺便指出,将来还需用到,其中为观测值的样本方差. 利用公式求解：b 线性回归方程公式求出a 线性回归方程公式 是总的公式