关于异方差性，您有兴趣了解点的垂直分布如何随拟合值变化。为此，您必须将绘图切成细垂直部分，找到每个部分的中心高程（y 值），评估围绕该中心值的分布，然后将所有内容连接起来。以下是一些可能的切片：

通常，这将使用对位置和分布的稳健估计来完成，例如中位数和四分位间距。如果我们有数据，我们可能会生成一个漂移的示意图。数据很难从带有重叠点的图形图像中以数字方式提取。然而，在这种情况下，垂直分布趋于紧凑、对称且没有异常值，因此我们可以安全地使用均值和标准差来代替——这些都可以使用图像处理软件轻松计算。事实上，我所做的是水平涂抹这些点，然后计算图像中每个垂直像素列的位置的均值和方差。（由于某些点的过度绘制，此处理会有点不准确，但不太可能使相对 SD 偏差太大。）

涂抹点有一个明确的楔形，从左到右变窄。（眯着眼睛看一张图有时可以帮助呈现散点图的整体完形印象，只要它有很多点。）

均值（在下方以蓝色显示）和均值加上或减去方差平方根的适当倍数（红色和金色）将描绘出残差的位置和典型限制。

我选择了一个倍数，旨在将大约 5% 的点放置在上部迹线上方，另外 5% 在下部迹线下方。

通过练习，您可以通过仔细检查绘图本身来看到这些痕迹——无需计算。从左到右扫描，估计每列垂直点的中间。估计它们的传播。在点相对较少的地方稍微夸大您对散布的估计——它们还没有机会显示出它们的全部散布量。同时，在点数很少的区域打折你的估计（即不要太相信它们），因为你的估计在那里高度不确定。

寻找清晰一致的传播变化模式。 在上图中，随着拟合值的增加，上部轨迹（红色）和下部轨迹（金色）似乎从左到右靠得更近了一点。通过绘制标准偏差可以使这一点更加明显。单位无关紧要，但垂直轴应从零开始，以准确呈现点差的相对大小：

这证实了随着拟合值增加而减少 SD 的初始印象。总的来说，当我们从左到右扫描时，SD 减半。（最右边的轻微向上增加可以忽略，因为它与很少的数据点相关。） 这是异方差的经典形式：散布随拟合值系统地变化。

在多元回归中使用虚拟变量不会引入异方差。通常它会通过将重叠的残差组分解为单独的残差来减少它。

异方差性是否真的是一个问题取决于分析的目的、采用的回归方法、从结果中提取的信息以及数据的性质。

毫无疑问，这些图表明存在异方差性。如果需要进行精确测试，我最近的研究将给出响应“检测单调和非单调异方差类型的新测试，应用统计学杂志，2016 年”