企业官网建设流程全解析

1. 为什么最小二乘法是回归分析的起点

做数据分析和统计建模的人，绕不开一个最基础的课题：怎么判断一组数据之间到底有没有关系，关系有多强，能不能用一个公式把它表达出来。最小二乘法就是回答这个问题的第一把钥匙。它的核心思想非常朴素——找一条直线，让所有数据点到这条直线的垂直距离的平方和最小。这个“平方和最小”听起来像是一句数学口诀，但背后有非常实际的工程含义：它把正负偏差统一成正数，同时放大了大偏差的惩罚力度，让拟合出来的线不会被个别离谱的数据点带偏太多。

我接触过不少刚入门统计建模的朋友，他们往往跳过最小二乘法的原理，直接调库跑一个线性回归，看到R²等于0.85就觉得万事大吉。但实际工作中，回归性检测远不止看一个R²那么简单。残差是否服从正态分布、是否存在异方差、有没有多重共线性、异常值的影响有多大——这些问题如果不做检测，模型上线后很容易翻车。所以这篇文章我会从最小二乘法出发，把回归性检测的完整流程拆开来讲，包括原理推导、代码实现、参数解读、常见坑和排查技巧。

这篇文章适合谁看？如果你正在学Python统计分析，或者工作中需要用回归模型做预测、做归因分析，又或者你跑完模型之后不确定结果可不可信，那这篇内容就是写给你的。我会尽量用生活化的例子把数学概念讲清楚，同时给出可以直接复制运行的代码，让你看完就能上手操作。

2. 最小二乘法的核心原理与数学推导

2.1 从“找一条最合适的线”说起

假设你手头有一组数据，横轴是房屋面积，纵轴是成交价格。你把这些点画在坐标系里，发现它们大致沿着一条斜线分布。现在你想画一条直线去描述这个趋势，但问题是，你可以画出无数条直线，到底哪一条最合适？

最小二乘法给出的答案是：让所有数据点到这条直线的“误差平方和”最小。这里的误差指的是实际值和直线预测值之间的差，也就是残差。为什么用平方而不是绝对值？原因有两个：第一，平方运算处处可导，方便用微积分求极值；第二，平方会放大较大误差的影响，相当于给模型加了一个“惩罚大偏差”的机制。你可以把它理解成考试评分——错一道大题扣的分远多于错几道小题，这样模型就会优先照顾那些偏差大的点。

数学上，我们假设直线方程为 y = β₀ + β₁x + ε，其中β₀是截距，β₁是斜率，ε是误差项。最小二乘法的目标就是找到一组β₀和β₁，使得残差平方和 RSS = Σ(yᵢ - β₀ - β₁xᵢ)² 最小。通过对β₀和β₁分别求偏导并令其为零，可以得到解析解：

• β₁ = Σ(xᵢ - x̄)(yᵢ - ȳ) / Σ(xᵢ - x̄)²
• β₀ = ȳ - β₁x̄

这两个公式看起来简单，但它们构成了整个线性回归的基石。你不需要每次手算，但理解它们的来源有助于你在模型出问题时快速定位原因。

2.2 最小二乘法的五个经典假设

最小二乘法要给出可靠的估计结果，需要满足五个经典假设。这些假设不是数学家的洁癖，而是保证你的模型推断有效的必要条件。我在实际项目中见过太多人忽略这些假设，导致结论完全不可信。

假设一：线性关系。自变量和因变量之间确实存在线性关系。如果真实关系是二次函数或者指数函数，你硬套线性回归，残差图会呈现明显的弯曲模式。检测方法很简单，画散点图或者残差对拟合值的图，看有没有系统性弯曲。

假设二：误差项均值为零。误差项的期望值为零，意味着模型没有系统性高估或低估。如果误差均值不为零，说明截距项估计有偏。这个假设通常通过残差图来检查，残差应该随机分布在零线上下。

假设三：同方差性。误差项的方差在所有自变量水平上保持恒定。如果方差随自变量增大而增大，就出现了异方差问题。比如收入数据，高收入群体的波动通常比低收入群体大，这时候普通最小二乘法的标准误会被低估，导致t检验失效。

假设四：误差项不相关。不同观测值的误差项之间相互独立。时间序列数据最容易违反这个假设，今天的误差往往和昨天的误差相关。如果存在自相关，参数估计仍然无偏，但标准误计算错误，显著性检验不可靠。

假设五：误差项服从正态分布。这个假设在小样本下比较重要，大样本下根据中心极限定理可以适当放宽。正态性检验可以用Q-Q图或者Shapiro-Wilk检验。

注意：这五个假设中，前两个是最基本的，如果违反，模型基本不能用。后三个主要影响推断的可靠性，违反后参数估计可能仍然可用，但置信区间和p值需要修正。

2.3 为什么回归性检测比建模本身更重要

很多人把精力花在调参和选模型上，却忽略了回归性检测。我个人的经验是，一个经过严格诊断的简单线性模型，往往比一个没有做诊断的复杂模型更可靠。原因很简单：如果假设不满足，你得到的系数、标准误、p值、置信区间全都不可信，后续的决策就是建立在沙子上。

回归性检测的核心是检查残差。残差是模型没有解释掉的部分，它包含了模型设定是否合理、假设是否满足的全部信息。你可以把残差想象成模型的“体检报告”——如果残差表现出规律性模式，说明模型漏掉了某些重要信息；如果残差方差在变化，说明同方差假设不成立；如果残差不正态，说明显著性检验可能有问题。

3. Python实操：从零实现最小二乘法回归

3.1 环境准备与数据生成

在开始写代码之前，先把环境搭好。我习惯用Anaconda管理环境，创建一个独立的虚拟环境，避免包版本冲突。需要的核心库包括numpy、pandas、matplotlib、statsmodels和scikit-learn。statsmodels在统计诊断方面比scikit-learn更专业，它会直接输出F检验、t检验、AIC、BIC等统计量，适合做回归性检测。

conda create -n regression_test python=3.10 conda activate regression_test pip install numpy pandas matplotlib statsmodels scikit-learn scipy

数据方面，我用numpy生成一组模拟数据，这样你可以完全复现我的结果。设定真实关系为 y = 3 + 2x + 噪声，样本量100，噪声服从标准正态分布。

import numpy as np import pandas as pd import matplotlib.pyplot as plt import statsmodels.api as sm from statsmodels.stats.diagnostic import het_breuschpagan from statsmodels.stats.stattools import durbin_watson from scipy import stats np.random.seed(42) n = 100 x = np.random.uniform(0, 10, n) y = 3 + 2 * x + np.random.normal(0, 2, n) df = pd.DataFrame({'x': x, 'y': y}) print(df.describe())

运行后你会看到x的范围在0到10之间，y的均值大约在13左右。这个数据集的特点是线性关系明确，噪声适中，适合用来演示完整的回归性检测流程。

3.2 用statsmodels做最小二乘回归

statsmodels的OLS函数是最小二乘法的标准实现。注意它默认不包含截距项，需要手动添加常数项。这一点很多人第一次用会踩坑，跑出来的结果和教科书对不上。

X = sm.add_constant(df['x']) model = sm.OLS(df['y'], X).fit() print(model.summary())

summary输出包含三张表。第一张是模型概览，重点看R²、调整R²、F统计量和对应的p值。第二张是系数表，包含每个变量的系数、标准误、t值、p值和置信区间。第三张是残差诊断，包括Omnibus检验、Durbin-Watson统计量、Jarque-Bera检验等。

我跑出来的结果大致是这样的：截距约3.1，斜率约1.98，R²约0.91。这说明模型解释了91%的变异，拟合效果不错。但先别急着下结论，R²高不代表模型没问题，接下来要做残差诊断。

3.3 残差诊断的四个核心图表

残差诊断是回归性检测的重头戏。我通常会画四张图：残差对拟合值图、Q-Q图、尺度-位置图、残差对杠杆值图。这四张图能覆盖大部分假设检验的需求。

fig, axes = plt.subplots(2, 2, figsize=(12, 10)) # 残差对拟合值 axes[0, 0].scatter(model.fittedvalues, model.resid, alpha=0.6) axes[0, 0].axhline(y=0, color='r', linestyle='--') axes[0, 0].set_xlabel('Fitted Values') axes[0, 0].set_ylabel('Residuals') axes[0, 0].set_title('Residuals vs Fitted') # Q-Q图 sm.qqplot(model.resid, line='45', ax=axes[0, 1]) axes[0, 1].set_title('Normal Q-Q') # 尺度-位置图 axes[1, 0].scatter(model.fittedvalues, np.sqrt(np.abs(model.resid)), alpha=0.6) axes[1, 0].set_xlabel('Fitted Values') axes[1, 0].set_ylabel('Sqrt(|Residuals|)') axes[1, 0].set_title('Scale-Location') # 残差对杠杆值 axes[1, 1].scatter(model.get_influence().hat_matrix_diag, model.resid, alpha=0.6) axes[1, 1].axhline(y=0, color='r', linestyle='--') axes[1, 1].set_xlabel('Leverage') axes[1, 1].set_ylabel('Residuals') axes[1, 1].set_title('Residuals vs Leverage') plt.tight_layout() plt.show()

第一张图看有没有弯曲模式。如果残差呈现U型或倒U型，说明线性假设不成立，需要考虑加二次项或者做变量变换。第二张Q-Q图看点是否落在45度线上，偏离严重说明残差非正态。第三张图看残差的离散程度是否随拟合值变化，如果呈现喇叭口形状，说明存在异方差。第四张图看有没有高杠杆点，杠杆值超过2p/n（p是参数个数，n是样本量）的点需要重点关注。

3.4 关键统计检验的代码实现

图表能给出直观判断，但正式报告里需要统计检验的p值。下面这几个检验是我每次做回归诊断都会跑的。

Shapiro-Wilk正态性检验：

shapiro_stat, shapiro_p = stats.shapiro(model.resid) print(f'Shapiro-Wilk: statistic={shapiro_stat:.4f}, p={shapiro_p:.4f}')

p值大于0.05说明不能拒绝正态性假设。如果p值很小，说明残差显著偏离正态分布。

Breusch-Pagan异方差检验：

bp_stat, bp_p, _, _ = het_breuschpagan(model.resid, model.model.exog) print(f'Breusch-Pagan: statistic={bp_stat:.4f}, p={bp_p:.4f}')

p值小于0.05说明存在异方差。这时候需要考虑用加权最小二乘法或者稳健标准误。

Durbin-Watson自相关检验：

dw = durbin_watson(model.resid) print(f'Durbin-Watson: {dw:.4f}')

DW统计量在2附近说明没有自相关，小于1.5说明存在正自相关，大于2.5说明存在负自相关。时间序列数据尤其要关注这个指标。

方差膨胀因子VIF检验多重共线性：

from statsmodels.stats.outliers_influence import variance_inflation_factor vif = pd.DataFrame() vif['Variable'] = X.columns vif['VIF'] = [variance_inflation_factor(X.values, i) for i in range(X.shape[1])] print(vif)

VIF大于10说明存在严重多重共线性，需要考虑删除变量或者做降维处理。单变量回归中VIF都是1，不用担心这个问题。

4. 回归性检测中的常见问题与排查技巧

4.1 残差非正态怎么办

残差非正态是新手最常遇到的问题。先别慌，大样本下（n>30）根据中心极限定理，系数估计的抽样分布近似正态，显著性检验仍然大致有效。但如果样本量小，或者非正态程度很严重，就需要处理。

我常用的处理方法有三种。第一，检查有没有异常值，异常值往往是导致非正态的元凶。用Cook距离或者标准化残差大于3来判断，删掉异常值后重新检验。第二，对因变量做变换，比如取对数、开根号或者Box-Cox变换。第三，用稳健回归方法，比如Huber回归或者分位数回归，这些方法不依赖正态性假设。

实操心得：删异常值要谨慎，不能因为某个点让结果不好看就删掉。先判断它是数据录入错误还是真实极端值。如果是真实极端值，删掉会损失信息，这时候变量变换或者稳健方法更合适。

4.2 异方差的识别与修正

异方差的表现是残差图呈现喇叭口形状，或者Breusch-Pagan检验p值小于0.05。异方差的后果是普通最小二乘法的标准误被低估，t检验变得过于激进，容易把不显著的变量误判为显著。

修正方法我按推荐程度排序。首选是使用稳健标准误，statsmodels里只需要在fit的时候加一个参数：

model_robust = sm.OLS(df['y'], X).fit(cov_type='HC3') print(model_robust.summary())

HC3是异方差稳健标准误的一种，对小样本表现较好。这个方法不改变系数估计，只修正标准误和p值，操作最简单。其次是加权最小二乘法，给方差小的观测更大权重。最后是对因变量做变换，比如取对数通常能压缩大值的波动。

4.3 多重共线性的判断与处理

多重共线性是指自变量之间高度相关，导致系数估计不稳定，标准误膨胀。判断方法除了VIF，还可以看相关系数矩阵。如果两个自变量的相关系数超过0.8，就要警惕了。

处理多重共线性有几种策略。第一，删除相关性高的变量中的一个，保留业务意义更重要的那个。第二，用主成分分析或者因子分析降维，把多个相关变量合成少数几个不相关的成分。第三，用岭回归或者Lasso回归，通过正则化惩罚项来稳定系数估计。第四，增加样本量，有时候共线性问题只是因为样本太少。

我在实际项目中的经验是，如果多重共线性不影响预测精度，只是影响系数解释，那可以保留所有变量，但在报告里说明共线性问题。如果要做因果推断，那就必须处理干净。

4.4 异常值和高杠杆点的处理

异常值和高杠杆点是两个不同概念。异常值是因变量方向偏离大的点，高杠杆点是自变量方向极端的点。两者结合就是强影响点，对模型影响最大。

检测方法：标准化残差绝对值大于3的是异常值，杠杆值大于2p/n的是高杠杆点，Cook距离大于1的是强影响点。statsmodels的get_influence()方法可以一次性获取这些指标。

influence = model.get_influence() cooks = influence.cooks_distance[0] leverage = influence.hat_matrix_diag std_resid = influence.resid_studentized_internal outliers = np.where(np.abs(std_resid) > 3)[0] high_leverage = np.where(leverage > 2 * X.shape[1] / len(df))[0] influential = np.where(cooks > 1)[0] print(f'异常值索引: {outliers}') print(f'高杠杆点索引: {high_leverage}') print(f'强影响点索引: {influential}')

处理策略：先核实数据是否录入错误，如果是错误就修正或删除。如果是真实数据，可以尝试稳健回归，或者在报告里做敏感性分析，说明删除这些点后结论是否变化。

4.5 常见问题速查表

5. 从最小二乘法到回归性检测的完整工作流

5.1 一套可复用的检测流程

经过多个项目的积累，我总结了一套标准化的回归性检测流程，每次建模都按这个顺序走一遍，基本不会漏掉重要问题。

第一步，数据探索。画散点图矩阵，看变量间关系是否大致线性，有没有明显的异常值。计算相关系数矩阵，初步判断共线性。

第二步，拟合模型。用statsmodels的OLS拟合，先看summary里的R²、F检验、系数显著性。

第三步，残差诊断。画四张标准诊断图，跑Shapiro-Wilk、Breusch-Pagan、Durbin-Watson三个检验。

第四步，影响点分析。计算Cook距离、杠杆值、标准化残差，识别异常值和强影响点。

第五步，修正模型。根据诊断结果决定是否删点、变换变量、加稳健标准误或者换模型。

第六步，验证修正效果。重新跑诊断流程，确认问题是否解决。

第七步，报告结果。把系数、标准误、置信区间、诊断结论整理成表格，附上关键图表。

这套流程看起来繁琐，但熟练之后半小时就能跑完。比起模型上线后出问题再回头排查，前期花时间做诊断划算得多。

5.2 一个完整的代码模板

下面这个模板可以直接套用到你自己的数据上，只需要替换x和y。

def regression_diagnosis(x, y, x_name='x', y_name='y'): """ 完整的回归性检测流程 """ import numpy as np import pandas as pd import statsmodels.api as sm import matplotlib.pyplot as plt from scipy import stats from statsmodels.stats.diagnostic import het_breuschpagan from statsmodels.stats.stattools import durbin_watson from statsmodels.stats.outliers_influence import variance_inflation_factor # 拟合模型 X = sm.add_constant(x) model = sm.OLS(y, X).fit() # 基础结果 print('=' * 60) print('回归结果摘要') print('=' * 60) print(f'R²: {model.rsquared:.4f}') print(f'调整R²: {model.rsquared_adj:.4f}') print(f'F统计量: {model.fvalue:.4f}, p值: {model.f_pvalue:.4e}') print(f'系数: {model.params.values}') print(f'标准误: {model.bse.values}') print(f't值: {model.tvalues.values}') print(f'p值: {model.pvalues.values}') # 残差诊断 resid = model.resid fitted = model.fittedvalues print('\n' + '=' * 60) print('残差诊断') print('=' * 60) # 正态性 shapiro_stat, shapiro_p = stats.shapiro(resid) print(f'Shapiro-Wilk正态性: statistic={shapiro_stat:.4f}, p={shapiro_p:.4f}') # 异方差 bp_stat, bp_p, _, _ = het_breuschpagan(resid, model.model.exog) print(f'Breusch-Pagan异方差: statistic={bp_stat:.4f}, p={bp_p:.4f}') # 自相关 dw = durbin_watson(resid) print(f'Durbin-Watson自相关: {dw:.4f}') # 影响点 influence = model.get_influence() cooks = influence.cooks_distance[0] leverage = influence.hat_matrix_diag std_resid = influence.resid_studentized_internal n = len(y) p = X.shape[1] outliers = np.where(np.abs(std_resid) > 3)[0] high_lev = np.where(leverage > 2 * p / n)[0] influential = np.where(cooks > 1)[0] print(f'异常值数量: {len(outliers)}') print(f'高杠杆点数量: {len(high_lev)}') print(f'强影响点数量: {len(influential)}') # 绘图 fig, axes = plt.subplots(2, 2, figsize=(12, 10)) axes[0, 0].scatter(fitted, resid, alpha=0.6) axes[0, 0].axhline(y=0, color='r', linestyle='--') axes[0, 0].set_xlabel('拟合值') axes[0, 0].set_ylabel('残差') axes[0, 0].set_title('残差 vs 拟合值') sm.qqplot(resid, line='45', ax=axes[0, 1]) axes[0, 1].set_title('正态Q-Q图') axes[1, 0].scatter(fitted, np.sqrt(np.abs(resid)), alpha=0.6) axes[1, 0].set_xlabel('拟合值') axes[1, 0].set_ylabel('sqrt(|残差|)') axes[1, 0].set_title('尺度-位置图') axes[1, 1].scatter(leverage, std_resid, alpha=0.6) axes[1, 1].axhline(y=0, color='r', linestyle='--') axes[1, 1].set_xlabel('杠杆值') axes[1, 1].set_ylabel('标准化残差') axes[1, 1].set_title('残差 vs 杠杆值') plt.tight_layout() plt.show() return model # 使用示例 model = regression_diagnosis(df['x'], df['y'])

这个模板把前面讲的所有检测步骤都封装进去了，你只需要传入自变量和因变量就能得到完整的诊断报告。我建议你把它保存成一个独立的py文件，以后每次做回归分析直接import调用。

5.3 结果解读的注意事项

跑完诊断之后，怎么判断模型能不能用？我的经验是分三个层次来看。

第一层，看核心假设是否满足。线性关系和误差均值为零是底线，如果这两个都不满足，模型基本不能用。残差图有明显弯曲模式，或者残差均值明显偏离零，就需要重新设定模型。

第二层，看推断是否可靠。正态性、同方差、独立性这三个假设影响显著性检验的可靠性。如果违反，但样本量足够大，可以接受；如果样本量小，就需要修正。我通常的做法是，只要Breusch-Pagan检验显著，就直接用稳健标准误，反正代价很小。

第三层，看影响点是否主导结论。如果删掉几个点之后系数符号变了或者显著性变了，说明结论不稳健，需要在报告里说明。稳健的结论应该是删掉个别点之后基本不变的。

提示：不要追求所有检验p值都大于0.05。实际数据很少完美满足所有假设，关键是判断违反程度是否严重到影响结论。轻微违反通常可以接受，严重违反才需要处理。

6. 回归性检测的进阶话题与个人经验

6.1 样本量对检测结果的影响

样本量对回归性检测的影响非常大，这一点很多教程没有强调。样本量小的时候，检验功效低，很多问题检测不出来；样本量大的时候，检验过于敏感，轻微偏离都会显著。

举个例子，Shapiro-Wilk检验在n=20的时候，即使残差明显非正态也可能不显著；但在n=5000的时候，残差稍微偏离正态就会给出极小的p值。所以不能只看p值，要结合Q-Q图的偏离程度来判断。

我的经验法则是：n<30时，重点关注Q-Q图的视觉判断，不要过度依赖检验p值；30<n<200时，检验和图表结合看；n>200时，检验容易过度敏感，以效应量（偏离程度）为准。

6.2 非线性关系的检测与处理

最小二乘法假设线性关系，但实际数据经常是非线性的。检测非线性关系的方法有几种。最直观的是残差对自变量的散点图，如果呈现弯曲模式，说明线性假设不成立。还可以用RESET检验，它通过加入拟合值的幂次项来检验模型设定是否正确。

处理非线性关系，我常用的方法有三种。第一，多项式回归，加x²或x³项。第二，变量变换，对x或y取对数、开根号。第三，样条回归或广义加性模型，让数据自己决定函数形状。

选择哪种方法取决于业务背景。如果理论上知道关系形式，比如物理定律，那就直接用对应的函数形式。如果不知道，可以先试多项式，从二次开始，看系数是否显著。变量变换的好处是简单，但解释起来不如多项式直观。

6.3 稳健回归的适用场景

当异常值很多或者异方差严重时，普通最小二乘法表现不好，这时候稳健回归是更好的选择。稳健回归的核心思想是降低异常值的权重，让它们对系数估计的影响变小。

常用的稳健回归方法有Huber回归、Tukey双权回归、RANSAC等。statsmodels里可以用RLM函数实现Huber回归：

from statsmodels.robust.robust_linear_model import RLM rlm_model = RLM(df['y'], X).fit() print(rlm_model.summary())

稳健回归的系数解释和普通最小二乘一样，但标准误的计算方式不同。我通常在两种情况下用稳健回归：一是数据里确认有异常值但不能删，二是残差诊断显示异方差严重且稳健标准误修正后结论仍然不稳定。

6.4 我踩过的几个坑

第一个坑是忘记加截距项。statsmodels的OLS默认不加常数，如果直接传x进去，拟合的线会强制过原点，结果完全错误。这个坑我踩过不止一次，后来养成了习惯，每次都用add_constant。

第二个坑是混淆了R²和调整R²。加变量一定会让R²增大，哪怕这个变量毫无意义。调整R²考虑了变量个数，更适合比较不同模型。我做模型选择时只看调整R²和AIC、BIC。

第三个坑是过度依赖p值。p值小于0.05不代表变量重要，可能只是样本量大。要看系数的大小和置信区间，结合业务意义判断。统计显著和实际显著是两回事。

第四个坑是忽略残差图只看统计量。统计检验只能告诉你“是否显著”，不能告诉你“问题有多严重”。残差图能直观展示问题的模式，两者结合才能做出准确判断。

第五个坑是删异常值太随意。我曾经因为一个异常值删掉了一条重要数据，后来发现那个点反映了真实的极端情况，删掉后模型在极端情况下的预测完全失效。现在我的做法是，先标记异常值，做敏感性分析，看删和不删结论是否一致，再决定怎么处理。

6.5 回归性检测的自动化思路

如果你经常做回归分析，可以考虑把检测流程自动化。我的做法是写一个诊断函数，输入模型对象，输出诊断报告和图表。更进一步，可以设置阈值自动判断是否需要修正，比如Breusch-Pagan p值小于0.05就自动切换到稳健标准误。

但自动化不能完全替代人工判断。异常值是否删除、变量变换是否合理、模型设定是否正确，这些都需要结合业务知识来决定。自动化只是帮你省去重复劳动，把精力集中在需要判断的地方。

7. 写在最后

最小二乘法和回归性检测是统计建模的基本功。很多人觉得这些内容太基础，急着去学机器学习、深度学习，结果基础不牢，遇到问题不知道怎么排查。我的建议是，先把最小二乘法吃透，把回归诊断的流程跑熟，再去学更复杂的模型。因为无论多复杂的模型，残差诊断的思路是相通的。

这篇文章里的代码你可以直接复制运行，数据换成你自己的就能用。诊断流程可以根据实际情况调整，但核心步骤不要省。我见过太多模型因为跳过了诊断步骤，上线后预测偏差巨大，回头排查发现是异方差或者异常值导致的。

最后分享一个我常用的技巧：把诊断图表保存下来，和模型结果一起归档。过一段时间回头看，你能快速回忆起当时的数据特点和模型局限。这个习惯帮我避免了好几次重复踩坑。

如果你在实操中遇到问题，先检查数据质量，再看模型设定，最后看假设是否满足。大部分问题都出在前两步，而不是模型本身。