正态性假设
在图 中，我们观察到分布以零为中心，大多数数据分布在 和 之间，满足标准正态分布，从而验证了正态性假设。
同质性和同方差性假设
同质性假设表明变量的方差大致相等。同时，同方 图 ：标准化误差的直方图 差性假设表明误差项或残差在所有独立变量值上相同。这一假设至关重要，因为它确保误差或残差 图 ：标准化误差的直方图 不会随着预测变量值的变化而变化（即误差项具有一致的分布）。违反同方差性假设（也称为异方差性）可能导致假设检验不准确以及预测变量的参数估计不准确。为了验证这两个假设，您可以创建一个散点图，其中 轴值表示回归模型的标准化预测值， 轴值表示标准化残差或回归模型的误差项。我们需要对这两组值进行标准化，以便更容易解释刻度。
图 ：标准化残差和预测值的散点图
在图 中，我们观察到沿 轴的标准化 巴林 手机号码数据 预测值散点图（绿色），沿 轴的标准化残差散点图（红色）。
如果 线上方的扩散与 线下方的 有助于最大限度地降低在企业系统 扩散在 和 方向上都相似，我们可以声称同质性假设得到满足。如果一侧的扩散非常大，而另一侧的扩散较小，那么我们可以说同质性假设被违反。在图中，我们观察到两条线上的分布均匀，我们可以声称同质性假设在这种情况下是有效的。
线性假设
图 ：标准化残差的 范数图
正态性假设
扩展线性假设，我们得出线性回归中的正 设 澳大利亚电话号码 简单 态性假设，即模型中的误差项或残差 ε 服从正态分布。我们可以用数学公式来表达，其中 ε 是误差项， 是正态分布， 是均值，σ² 是方差。
满足正态性假设对于执行有效的假设检验和准确估计系数至关重要。如果违反正态性检验，则可能导致参数估计出现偏差以及预测不准确。如果误差或残差分布不均，则无法提供准确的置信区间。为了验证正态性假设，我们可以利用上面的 范数图，如图 所示。此外，我们还可以利用标准化误差的直方图来验证正态性假设。