可加性假设
为了验证这一假设，您可以绘制预测变量之间的 预测变量之间的相关图 预测变量之间的相关图 相关性。在图 中，我们观察到 个预测变量之间的相关性图。如果我们观察该图，则没有一个变量之间具有显着相关性（即高于 ）。因此，我们可以确认，对于这种特殊情况，可加性假设得到满足。但是，如果它们在一组变量中太高，那么您可以将它们组合起来，或者仅在您的研究中使用其中一个。
线性假设
在线性回归中，线性假设表明预测变量 巴林 手机号码数据 和结果变量之间存在线性关系。对于简单的线性回归模型，我们可以用数学方式表示如下，其中 是结果变量， 是预测变量，β₁ 是其 广场上的下水道收集管道 系数，β₀ 是截距，ε 是误差项。
我们通常评估残差图，例如残差与预期值或预测变量的散点图或正态分位数分位数 范数 图，以评估线性，这有助于我们确定两个数据集是否来自具有共同分布的总体。这些图中的非线性模式表明线性假设已被违反，这可能导致我们产生有偏差的参数估计和错误的预测。让我们看看如何使用标准化误差或残差的 范数图来验证线性假设。
在图 中，我们观察到标准化误差如何分布在 附近。
因为我们试图预测随机变量的结果
所以误差应该是随机 设 澳大利亚电话号码 简单 分布的（即，以零为中心的大量小值）。为了使所有残差具有可比的尺度，我们对误差进行了标准化，从而得到标准正态分布。图中的每个点代表标准化残差如何与标准化分布面积的理论残差绘制在一起。我们还观察到大多数残差数据点如何以 为中心，位于 和 之间，正如我们对标准化正态分布的预期那样，从而帮助我们验证线性假设。