使用回归分析，样本过少时不妨好先作图看看

回归分析往往是学统计、学计量课程时接触的第一个统计模型了，甚至不少人可能认为回归分析理所当然成为计量的绝大部分内容——毕竟很多教材中提到统计模型的时候，往往就一个OLS为主的讲法。回归分析的内容当然很广泛，也在学科中占据相对基础的位置。

学会OLS，有人还明白了ML等方法的含义；现在学统计分析的时候，或多或少会安排统计软件的实践课程，于是大家学会了使用Excel，乃至SAS中如何来做经典的回归分析。看过不少的文献，很多都忽略了回归分析模型诊断这个环节——可能很多标准教科书没有强调，甚至是没有讲；这不能不说是一个遗憾。

回归分析使用最广泛，误用的情况也多了些。下面使用一个经典的例子，来“恶心”一下那些“过分钟爱”经典回归分析的人——我在很多课堂上都举过这个例子（Anscombe），作为从基础课程向中级乃至高级课程的开场白。

x1 x2 x3 x4    y1   y2    y3    y4
1  10 10 10  8  8.04 9.14  7.46  6.58
2   8  8  8  8  6.95 8.14  6.77  5.76
3  13 13 13  8  7.58 8.74 12.74  7.71
4   9  9  9  8  8.81 8.77  7.11  8.84
5  11 11 11  8  8.33 9.26  7.81  8.47
6  14 14 14  8  9.96 8.10  8.84  7.04
7   6  6  6  8  7.24 6.13  6.08  5.25
8   4  4  4 19  4.26 3.10  5.39 12.50
9  12 12 12  8 10.84 9.13  8.15  5.56
10  7  7  7  8  4.82 7.26  6.42  7.91
11  5  5  5  8  5.68 4.74  5.73  6.89

上面有四对x，y，分别做经典回归分析的话，结果如下：

[[1]]
Estimate Std. Error  t value    Pr(>|t|)
(Intercept) 3.0000909  1.1247468 2.667348 0.025734051
x1          0.5000909  0.1179055 4.241455 0.002169629
[[2]]
Estimate Std. Error  t value    Pr(>|t|)
(Intercept) 3.000909  1.1253024 2.666758 0.025758941
x2          0.500000  0.1179637 4.238590 0.002178816
[[3]]
Estimate Std. Error  t value    Pr(>|t|)
(Intercept) 3.0024545  1.1244812 2.670080 0.025619109
x3          0.4997273  0.1178777 4.239372 0.002176305
[[4]]
Estimate Std. Error  t value    Pr(>|t|)
(Intercept) 3.0017273  1.1239211 2.670763 0.025590425
x4          0.4999091  0.1178189 4.243028 0.002164602

这时候你会发现p值、s.e.值都好的很，截距项和斜率项也非常好，甚至连R square都简直一模一样。

往往讲到这个时候，机灵点的学生就开始皱眉头了：数据差别挺大的，怎么模型都是一样呢！？

学过回归诊断的人立刻就嚷嚷来做个回归诊断来看看，四种情况下是不是有的属于“模型前提假设”不满足的情况。（当然，似乎本科阶段，教师没有过分强调这点的，很少有学生能自己自主的想到这点，所以往往让人感叹教学过程中的不完善。）

紧接着我就给他们做出一幅图：

这时候他们有点明白，能回答说左上是我们“常见”的回归；右上完全就是二次曲线嘛；左下存在一个“异常点”；而右下，完全就属于“诡异”情形。

所以可以归纳一下：做统计模型的时候，一定记得要模型诊断下——重点就分析下残差是不是符合假设——这个是标准套路。如果你想“偷懒”，在只有一个自变量的时候，不妨在样本量不多（现在的统计软件已经非常强大了，数万对点很容易搞定；如果数据太多，你也可以抽样来试试嘛。）这样，“一眼”就能看出个大概了——这恐怕就是人比机器厉害的地方，人比模型厉害的地方。