残差就是实际值与预测值相减后剩下的量，核心算法通常写成 e = y - ŷ。只要拿到真实值 y 和模型预测值 ŷ，把每个样本按同一顺序对应起来，再用真实值减去预测值，就能得到残差。若 y 大于 ŷ，残差为正数，表示模型预测值低于实际值；若 y 小于 ŷ，残差为负数，表示模型预测值高于实际值；若 y 等于 ŷ，残差为 0，表示该样本预测结果与实际结果刚好对齐。残差常用于线性回归、预测分析、时间序列、数据建模等场景，用来观察预测值和真实值之间的距离，也用来评估模型是否贴合数据、是否需要调整。
一、残差的核心定义
| 名称 | 含义 | 常见表示 |
|---|---|---|
| 实际值 | 样本真实记录到的数值 | y |
| 预测值 | 模型根据输入数据计算出的数值 | ŷ |
| 残差 | 实际值减去预测值 | e = y - ŷ |
残差的核心思路很直白：真实值减去预测值，剩下的差距就是残差。
二、求残差的步骤
- 准备实际值
先整理每个样本的真实记录值，例如实际销量、实际温度、实际成绩、实际成本等。
- 准备预测值
获取模型对每个样本输出的预测结果，例如回归模型预测值、算法推荐值、趋势分析值等。
- 核对样本顺序
实际值和预测值必须按同一样本排列，不能把第 1 个样本的实际值去减第 2 个样本的预测值。
- 使用残差公式计算
对每个样本执行：
e = y - ŷ
- 保留单位一致
实际值与预测值必须使用同一单位，例如都是“元”、都是“℃”、都是“件”、都是“分”。
- 汇总分析
得到每个样本的残差后，可以继续计算残差均值、残差平方和、均方误差、平均绝对误差等指标。
三、残差计算示例
| 样本 | 实际值 y | 预测值 ŷ | 残差 e = y - ŷ |
|---|---|---|---|
| 样本 1 | 100 | 90 | 10 |
| 样本 2 | 80 | 85 | -5 |
| 样本 3 | 120 | 120 | 0 |
| 样本 4 | 150 | 145 | 5 |
这个例子里：
- 样本 1 残差为 10，说明预测值比实际值低 10；
- 样本 2 残差为 -5，说明预测值比实际值高 5；
- 样本 3 残差为 0，说明预测值刚好等于实际值；
- 样本 4 残差为 5，说明预测值比实际值低 5。
四、线性回归里的残差
在线性回归中，残差表示实际值偏离回归线的距离。
模型拟合时通常会计算：
| 指标 | 计算思路 | 用途 | ||
|---|---|---|---|---|
| 残差 | e = y - ŷ | 观察单个点偏离程度 | ||
| 残差平方和 | Σe² | 汇总所有点到拟合线的距离 | ||
| 均方误差 | Σe² / n | 用于模型比较 | ||
| 平均绝对误差 | Σ | e | / n | 用于描述平均距离 |
五、时间序列里的残差
在时间序列分析中，残差表示实际值与模型预测值之间的剩余部分。
常见步骤如下：
| 场景 | 实际值 | 预测值 | 残差 |
|---|---|---|---|
| 月度销量 | 当月真实销量 | 模型预测销量 | 真实销量 - 预测销量 |
| 温度预测 | 当日真实温度 | 模型预测温度 | 真实温度 - 预测温度 |
| 成本预测 | 实际支出 | 模型预估支出 | 实际支出 - 预估支出 |
六、残差怎么看
| 残差情况 | 说明 |
|---|---|
| 多个样本残差都接近 0 | 预测值和实际值很接近 |
| 残差忽大忽小 | 预测结果波动较明显 |
| 残差持续为正 | 模型预测值整体低于实际值 |
| 残差持续为负 | 模型预测值整体高于实际值 |
| 残差随时间呈规律变化 | 模型还可以继续优化 |
七、常用残差公式汇总
| 公式 | 名称 | 说明 | ||
|---|---|---|---|---|
| e = y - ŷ | 单个样本残差 | 真实值减预测值 | ||
| Σe = Σ(y - ŷ) | 残差总和 | 所有样本残差相加 | ||
| Σe² | 残差平方和 | 每个残差平方后相加 | ||
| MSE = Σe² / n | 均方误差 | 残差平方和除以样本数 | ||
| MAE = Σ | e | / n | 平均绝对误差 | 残差绝对值相加后除以样本数 |
八、最终结论
残差的求法很明确：用实际值减去预测值。
公式为：e = y - ŷ。
求残差时先保证实际值、预测值、样本顺序和单位一致，然后逐行计算。
得到残差后，可以进一步查看残差大小、残差方向、残差波动情况，并配合均方误差、平均绝对误差、残差图等工具判断模型与实际数据的贴合情况。
【常见问题】
问题1：残差怎么求？
回答1：残差通常用实际值减去预测值，公式是 e = y - ŷ。只要把每个样本的真实值和模型预测值按同顺序对应，再做减法即可。
问题2：残差和误差有什么区别？
回答2：在统计建模里，残差多指实际值与模型预测值之间的差值；误差多指真实值与测量值或估计值之间的差值。残差更常用于模型结果分析。
问题3：残差怎么求时先算真实值减预测值还是预测值减真实值？
回答3：常见写法是真实值减预测值，即 y - ŷ。如果业务口径采用预测值减真实值，也可以，但需要在分析说明里保持一致。
问题4：残差怎么求后怎么判断模型是否贴合？
回答4：残差接近 0 说明预测值接近实际值；如果残差整体很小，模型贴合度通常较好；如果残差持续偏大，可以继续调整模型、增加特征或优化预测逻辑。
问题5：残差怎么求在多个样本里如何汇总？
回答5：多个样本可以分别计算残差，再做残差平方和、均方误差、平均绝对误差等汇总。表格里每一行对应一个样本的残差即可。
免责声明：
本内容用于说明残差的基本计算思路、公式和常见分析场景。实际使用时请结合业务口径、统计方法、数据定义和项目规范进行核对。