如果您查看plot.lm（通过键入stats:::plot.lm）的代码，您会在其中看到这些片段（评论是我的；它们不是原始的）：

r <- residuals(x)                                # <---  r contains residuals

...

if (any(show[2L:6L])) {
    s <- if (inherits(x, "rlm")) 
        x$s
    else if (isGlm) 
        sqrt(summary(x)$dispersion)   
    else sqrt(deviance(x)/df.residual(x))        #<---- value of s
    hii <- lm.influence(x, do.coef = FALSE)$hat  #<---- value of hii

...

    r.w <- if (is.null(w)) 
        r                                        #<-- r.w  for unweighted regression
    else sqrt(w) * r
    rs <- dropInf(r.w/(s * sqrt(1 - hii)), hii)  # <-- std. residual in plots

所以 - 如果你不使用权重 - 代码清楚地将其标准化残差定义为此处定义的内部学生化残差：

http://en.wikipedia.org/wiki/Studentized_residual#How_to_studentize

也就是说：

（其中，并且是的列维度）。$\widehat{\sigma}^2={1 \over n-m}\sum_{j=1}^n \widehat{\varepsilon}_j^{\,2}$$m$$X$

标准化（或学生化）残差是残差除以其标准差。回归模型中残差的标准差可能会因点而异，因此通常通过标准差对其进行标准化以使比较更有意义。