我会说从概率分布中随机抽取的单个数字（例如残差）是已实现的值，而不是随机变量。同样，我会说$N$残差，根据您的数据和您的模型拟合计算$\bf{e}=\bf{y}-\bf{\hat{y}}$, 是一组已实现的值。这组数字可能被松散地概念化为从基础分布中独立抽取$\epsilon$~$\mathcal{N}(\mu,\sigma^2)$. （不幸的是，这里还有几个额外的复杂性。例如，您实际上没有$N$独立的信息，因为残差，$\bf{e}$, 必须满足两个条件： $\sum e_i=0$， 和$\sum x_ie_i=0$.)

现在，给定一组数字，无论是残差还是其他，它们确实存在方差，$\sum(e_i-\bar{e})^2/N$，但这是无趣的。我们关心的是能够说明数据生成过程（例如，估计总体分布的方差）。使用前面的公式，我们可以通过替换$N$具有剩余自由度，但这可能不是一个好的近似值。这是一个很快就会变得非常复杂的话题，但有几个可能的原因可能是异方差性（即总体的方差在不同的$x$)，以及异常值的存在（即，给定的残差完全来自不同的总体）。几乎可以肯定，在实践中，您将无法估计从中抽取异常值的总体的方差，但从理论上讲，它确实存在方差。我怀疑作者的想法是这样的，但是，我应该注意我没有读过那本书。

更新： 重读问题后，我怀疑引用可能指的是$x$- 一个点的值会影响拟合的回归线，从而影响与该点相关的残差值。这里要掌握的关键思想是杠杆作用。我在这里的回答中讨论了这些主题： 解释 plot.lm()。