Sembra che tu stia usando R
. In tal caso, notare che è possibile identificare i punti su un diagramma a dispersione usando ? Identifica . Penso che ci siano diverse cose che stanno succedendo qui. Innanzitutto, hai un punto molto influente sulla trama di LN_RT_vol_in ~ LN_AT_vol_in
(quella evidenziata) a circa (.2, 1.5). È molto probabile che questo sia il residuo standardizzato che è circa -3,7. L'effetto di quel punto sarà di appiattire la linea di regressione, inclinandola più in orizzontale rispetto alla linea fortemente ascendente che altrimenti avresti ottenuto. Un effetto di ciò è che tutti i tuoi residui saranno ruotati in senso antiorario rispetto a dove altrimenti sarebbero stati collocati all'interno della residual ~ predicted
trama (almeno quando si pensa in termini di quella covariata e si ignora l'altro).
Tuttavia, l'apparente linea retta di residui che vedi sarebbe ancora lì, poiché esistono da qualche parte nella nuvola tridimensionale dei tuoi dati originali. Possono essere difficili da trovare in uno dei diagrammi marginali. È possibile utilizzare la funzione identifica () per aiutare, nonché utilizzare il pacchetto rgl per creare un grafico a dispersione 3D dinamico che è possibile ruotare liberamente con il mouse. Tuttavia, si noti che i residui della retta sono tutti al di sotto di 0 nel loro valore previsto e hanno al di sotto di 0 i residui (cioè, sono al di sotto della linea di regressione adattata); che ti dà un grande suggerimento su dove cercare. Guardando di nuovo la trama diLN_RT_vol_in ~ LN_AT_vol_in
, Penso di poterli vedere. C'è un gruppo abbastanza dritto di punti che scorrono diagonalmente verso il basso e verso sinistra da circa (-,01, -1,00) sul bordo inferiore della nuvola di punti in quella regione. Sospetto che questi siano i punti in questione.
In altre parole, i residui sembrano così perché sono già in qualche modo all'interno dello spazio dati. In sostanza, questo è ciò che suggerisce @ttnphns, ma non penso che sia abbastanza costante in nessuna delle dimensioni originali: è una costante in una dimensione inclinata rispetto agli assi originali. Concordo inoltre con @MichaelChernick che questa apparente rettitudine nella trama residua è probabilmente innocua, ma che i tuoi dati non sono molto normali. Sono un po 'normali, tuttavia, e sembra che tu abbia un numero decente di dati, quindi il CLT potrebbe coprirti, ma potresti voler avviare bootstrap per ogni evenienza. Infine, mi preoccuperei che quel "valore anomalo" stia guidando i tuoi risultati; è probabilmente meritato un approccio solido .