GLM 的诊断图与 LM 的诊断图非常相似，因为 GLM 的残差应该是同方差的，独立于均值，并且渐近接近正态性，即在泊松或二项式的大量计数的情况下（这的二元或二项式；又名标准逻辑回归）响应的用处要小得多；例如，请参见此CV 答案。$N=1$

我并不完全清楚为什么会有单独boot::glm.diag.plots()的底层boot::glm.diag()函数与内置函数stats::plot.lm()（也处理glm模型）有很大的重叠；我的猜测是包的作者 (A. Canty) 的偏好与 的作者略有不同stats::plot.lm()，或者更可能的是该boot包是在 1997 年开发的，当时 R 项目刚刚开始，所以这些函数是写在平行。

plot.lm()以下是和之间的一些异同glm.diag.plots()：

• 线性预测器（又名“拟合”）与残差：与 中的第一个图（或which=1）相同plot.lm()，除了glm.diag.plots()使用折刀偏差残差，我无法在任何地方找到定义（它可能在 Davison 和 Snell 章节中作为参考给出?glm.diag)，但计算为偏差残差sign(dev) * sqrt(dev^2 + h * rp^2)在哪里；是帽子值；是标准化的皮尔逊残差（皮尔逊残差除以尺度参数，如果有，除以）。devhrpsqrt(1-h)
• 有序偏差残差与标准正态分位数：“QQ 图”，与 中的第三个图 ( which=3)相同plot.lm()；两者都使用标准化偏差残差，尽管您必须查看代码才能找到答案。$r_i/(h_i(1-h_i))$
• $h/(1-h)$ vs. Cook 统计：用来which=6从plot.lm()（是“杠杆”）得到这个。使用更保守的经验法则来决定哪些点可能是“有影响力的”。$h/(1-h)$glm.diag.plots()
• which=4案例与库克统计：与中相同plot.lm()。

plot.lm()似乎有一些优点，因为它（1）更稳健地处理零权重和无限情况，（2）在图形中添加一些平滑线和轮廓以帮助解释。该car软件包具有一些扩展功能（例如qqPlot），并且该DHARMa软件包使用模拟残差来为逻辑回归和其他 GLM 获得更多可解释的残差图。mgcv::qq.gam还通过残差模拟生成改进的 QQ 图。

您的第一个案例看起来不错：没有明显的模式，线性 QQ 情节，几个“影响”点。我肯定会仔细检查具有高库克距离和线性预测值 >15 的两个点......我无法从图中真正看出，但看起来您的数据中可能有许多重复值？

第二种情况：与第一种情况相同，只是你有更多的点（例如，情节 1 中的聚类模式要强得多）。QQ 情节看起来很不稳定，但我不确定我会为此担心多少。尝试使用模拟残差（DHARMa包）...