1. 您不应该仅仅因为它们使残差的分布不正常就删除异常值。您可以检查具有高残差的案例，看看它是否存在问题（最简单的是数据输入错误），但您必须根据实质性理由证明您的删除是合理的。

2. 假设没有充分的理由删除该观察，您可以在有或没有它的情况下运行回归，看看参数估计是否有任何大的差异；如果没有，您可以保留它并注意删除它几乎没有什么区别

3. 如果它有很大的不同，那么你可以尝试鲁棒回归，它处理异常值或分位数回归，它不对残差的分布做任何假设。我是分位数回归的粉丝，我认为它没有得到充分利用。

@PeterFlom 在这里提出了一些好的观点。我同意他的三点和他的行动计划。让我澄清一个剩余的问题：

您正确地注意到只有残差需要正态分布。但是，@dsaxton 也是正确的，在现实世界中，没有数据（包括残差）是完全正常的。因此，您真正需要的是“足够正常”的残差。如果误差的总体分布非常接近正常值（一旦考虑了异常值，您的 qq 图就暗示了这一点），那么中心极限定理意味着您的 beta 的抽样分布将收敛到正常值$N$增加。因此，尽管即使排除了异常值，您的数据仍然几乎很重要，但我认为您可以按照@PeterFlom 的建议进行操作。您可能有兴趣阅读这个出色的 CV 主题： 正态性测试“基本上没用”吗？