1. 课程导入与残差诊断在化工试验中的定位

在化工试验中，我们常常遇到这样的场景：一套反应器完成了温度、压力、进料配比的多组试验，数据看起来“趋势合理”，但模型拟合后某些工况点总是偏离；或者催化剂评价试验中，转化率曲线在特定空速下突然不服从预期规律。此时，真正能帮助判断“模型哪里不对、试验哪里可疑”的，往往不是拟合优度 R²，而是残差。本课程围绕残差诊断与模型检验展开，而本章要解决的是定位问题：残差在整个“试验设计—数据采集—模型建立—检验—改进”链条中处于什么位置，它能回答什么问题，又有哪些常见误用。

从试验设计到模型检验的完整链条

化工试验的典型工作链条可以概括为：明确试验目的与响应变量 → 设计因子水平与试验点 → 执行试验并采集数据 → 建立经验或机理模型 → 用独立数据或统计指标检验模型 → 依据诊断结论修正模型或补充试验。残差定义为观测值与模型预测值之差，即 e_i = y_i − ŷ_i。这里约定：残差为正表示实测值高于模型预测，残差为负表示实测值低于预测；全文及图示均采用这一方向约定。

残差不是建模的“副产品”，而是链条中承上启下的诊断信号。它向上反映试验执行质量：如果残差在时间顺序上出现漂移，可能提示催化剂失活、进料波动或测温点漂移；向下决定模型改进方向：如果残差随某个因子呈现喇叭形扩散，说明误差方差并非常数，普通最小二乘的假设不成立。因此，残差诊断既检验模型，也反向检验试验。

残差的核心作用：四个诊断维度

残差图的价值在于它把“模型误差”变成可观察的结构。实际工作中通常关注四个维度：

• 结构维度：以预测值为横轴、残差为纵轴。若残差呈明显弯曲趋势，说明模型缺少二次项或存在非线性；若呈系统性偏移，说明截距或某个因子项有偏。
• 方差维度：残差随预测值增大而扩散成喇叭形，提示异方差。化工中浓度、速率类响应常见此现象，可考虑对数变换或加权最小二乘。
• 时序维度：按试验运行顺序绘制残差。连续正残差后接连续负残差，往往对应催化剂逐渐失活、冷却水温度漂移或原料批次变化。
• 异常维度：标准化残差绝对值明显偏大的点，需回查该次试验的操作记录、采样与分析误差，而不是直接删除。

举一个教学示例（数据为合理假设，非实测）：某气固催化反应在 320–380 ℃、空速 2–6 h⁻¹ 范围内做全因子试验，用线性模型拟合转化率。若残差对温度呈“先正后负再正”的弯曲形态，说明线性项不足，应补充温度二次项；若残差在空速方向呈喇叭形扩散，则提示高转化率区误差放大，需检查分析精度或采用方差稳定变换。这里的判断依据是残差图形的形状，而不是 R² 的大小。

常见误区与学习路径

第一个误区是“R² 高就说明模型好”。R² 会随参数增多而虚高，且对系统性偏差不敏感；一个 R²=0.98 的模型完全可能在低浓度区系统性高估。第二个误区是把残差图当作论文装饰，画了却不读。第三个误区是发现异常点就删除，而不区分是操作失误、分析误差还是模型本身在该区域失效。第四个误区是忽略试验顺序，把本应按时序分析的残差打乱后作图，掩盖了漂移信息。

需要强调的是，残差诊断不是一次性的“检查动作”，而是贯穿试验与建模的迭代习惯。每一次补充试验、每一次模型修正，都应重新观察残差结构是否改善。下一阶段的学习将围绕残差的计算细节与图形判读展开，本章只需建立一条清晰的认识：残差是连接试验质量与模型可信度的桥梁，读懂残差，才能判断模型是否真正可用。