以下图为例：

1）左上图

因为我们通常假设数据都是相互独立的，应符合N(f（x），σ^2)分布，因此残差作为响应变量数值与代入模型后的预测值之差，其分布也应该符合residual（残差）~（0，σ^2)。这时候我们通常根据左上图来判断，确认P值，如果大于0.05，则判断符合正态分布。如果小于0.05，说明模型可能不正确，需要对模型进行调整。

该图P值大于0.05，说明数据符合正态分布。

2）左下图

该柱状图也是配合左上图来确认残差是否符合正态分布，没有特别的意义。

3）右上图

该散点图重点确认该残差图是否保持等方差性，即是否有“漏斗形”或”喇叭形“。如果出现未等方差的现象，需要对响应变量y做出变换。

上图的散点图是正常的。

4）右下图

主要确认散点图的各点是否在无规则的波动，该图也是很容易出现问题的图表，如果残差保持了等方差，但是该图中有明显的U形或者倒U形的弯曲，说明应该增加X的平方项或者立方项。

四、残差值是否越小越好？

在统计分析中，通常情况下残差越小越好。这意味着实际观测值和模型预测值之间的差异越小，模型对数据的拟合程度就越好。在最小二乘法中，我们会尽量找到能够使残差平方和最小的拟合模型，以降低预测误差。

然而，有时候较大的残差也可能具有特殊的意义。例如，在异常值检测时，较大的残差可能表示存在离群点或者异常观测值。在这种情况下，较大的残差可以帮助我们识别可能存在的问题，需要进一步进行调查和分析。

因此，一般来说，我们希望残差尽可能地小，但对待残差的大小需要具体情况具体分析，不能一概而论。