这被称为残差指数，尽管不一致。我想您对其进行的分析类型将取决于您感兴趣的问题（因为大多数会导致某种程度的“更深入的理解”），利弊也是如此。 Garcia-Berthou在http://onlinelibrary.wiley.com/doi/10.1046/j.1365-2656.2001.00524.x/full中讨论了此类应​​用的一个示例的缺点，例如“没有统计依据的临时顺序程序”换句话说，如果您怀疑其他因素正在影响响应，为什么不从一个能够解释这些多个因素及其相互作用的模型开始。然而，在其他情况下，它是可以证明的，并且有其在空间分析中使用的有效示例。

作为您问题的部分答案，您可以构建一个残差模型（也称为方差模型），将原始模型的残差建模为预测响应的函数（例如），如下所示（以 R 表示法）：

residual.model <- 
    lm(abs(residuals(original.model)) ~ predict(original.model), ...)

然后，您可以检查残差模型以更深入地了解数据。例如，您可以从残差模型估计预测区间。

残差通常比用于构建模型的原始数据噪声更大，因此残差模型的不确定性会比原始模型更多。

上述残差模型使用 lm 并因此假设（至多）绝对残差和预测响应之间存在线性关系，这通常是对（未知）潜在现实的足够好的近似——或者我应该说，线性考虑到残差中的噪声，残差模型通常是您想要使用的最复杂的残差模型。

我的 earth R 包主要使用上述想法构建方差模型（但这些想法相当普遍，不仅适用于 earth/ MARS 模型）。一些背景理论可以在包小插图 Variance models in earth中找到。阅读小插图时，请在脑海中将模型名称替换为“earth”，例如将“lm”替换为“earth”。

可以在上面的小插图中找到其他参考资料。Carroll and Ruppert Transformation and Weighting in Regression特别有用。