为什么使用残差？

Prism 8能够用方差分析绘制残差图，但前提是您输入的是原始数据，而非诸如平均值、SD或SEM等进行过平均值计算的数据。

许多科学家认为残差是回归分析得到的值。但方差分析实际上是变相的回归。它可以与模型相拟合。方差分析的一个假设是，该模型的残差从高斯分布群体中抽样得到。残差图有助于您评估该假设。

创建哪种图表？

Prism可以制作三种残差图。

•残差图。X轴是预测值（或拟合值），重复数据的平均值（但有关重复测量，见下文）。Y轴是残差。这可以让您发现比其余部分大得多或小得多的残差。

•同方差性图。X轴是预测值（或拟合值），重复数据的平均值（但有关重复测量，见下文）。Y轴是残差的绝对值。其允许您检查较大的值是否与较大的残差（大的绝对值）相关联。

•QQ图。X轴是实际残差。Y轴是预测残差，根据残差的百分位数（在所有残差中）计算得到，并假设从高斯分布群体中抽样得到。方差分析假设残差服从高斯分布，该图表让您检查该假设。

残差诊断学

•残差是聚集性还是异方差性？方差分析假设每个样本从具有相同标准偏差的群体中随机抽样得到。Prism可以使用两种检验来验证该假设。Brown - Forsythe检验和Barlett检验。这两种检验均会计算旨在回答该问题的P值：如果群体确实具有相同的标准偏差，则您随机选择的样品的标准偏差不同于（或显著不同）您在实验中使用的样本的标准偏差的几率如何？

•残差是否服从高斯分布？Prism对残差进行了四次正态性检验。汇集所有组的残差，然后进行一次正态性检验。

如何计算残差

单因素方差分析和相关检验的残差很容易理解。

•单因素方差分析。计算每个值的残差。每个残差是指输入值与该组所有值的平均值之间的差值。当相应的值大于样本平均值时，残差为正，当值小于样本平均值时，残差为负。

•单因素重复测量方差分析。这很难理解。残差计算方法为实际值 - 预测值，其中，预测值 = 预测组平均值+预测受试者（行）平均值 - 预测总平均值。

•Kruskal - Wallis检验。计算每个值的残差。每个残差是指输入值与该组所有值的中值之间的差值。当相应的值大于样本中值时，残差为正，值小于样本中值时，残差为负。

•Friedman配对检验。这比其他内容更难理解。残差计算方法为实际值 - 预测值，其中，预测值 = 预测组中值+预测受试者中值 - 预测大中值。