当因变量是离散的时，这是您期望的此类图的外观。

图上点的每个曲线轨迹对应于因变量。每个的情况都有一个预测 ; 它的残差——根据定义——等于。与的图显然是一条斜率为的线。在泊松回归中，x 轴显示在对数刻度上：它是。曲线现在呈指数弯曲。作为$k$$y$$y=k$$\hat{y}$$k-\hat{y}$$k-\hat{y}$$\hat{y}$$-1$$\log(\hat{y})$$k$变化，这些曲线上升了整数。对它们求幂得到一组准平行曲线。（为了证明这一点，下面将显式构建图，分别用的值对点进行着色。）$y$

我们可以通过类似但任意的模型（使用小的随机系数）非常接近地再现有问题的图：

# Create random data for a random model.
set.seed(17)
n <- 2^12                       # Number of cases
k <- 12                         # Number of variables
beta = rnorm(k, sd=0.2)         # Model coefficients
x <- matrix(rnorm(n*k), ncol=k) # Independent values
y <- rpois(n, lambda=exp(-0.5 + x %*% beta + 0.1*rnorm(n)))

# Wrap the data into a data frame, create a formula, and run the model.
df <- data.frame(cbind(y,x))    
s.formula <- apply(matrix(1:k, nrow=1), 1, function(i) paste("V", i+1, sep=""))
s.formula <- paste("y ~", paste(s.formula, collapse="+"))
modl <- glm(as.formula(s.formula), family=poisson, data=df)

# Construct a residual vs. prediction plot.
b <- coefficients(modl)
y.hat <- x %*% b[-1] + b[1]     # *Logs* of the predicted values
y.res <- y - exp(y.hat)         # Residuals
colors <- 1:(max(y)+1)          # One color for each possible value of y
plot(y.hat, y.res, col=colors[y+1], main="Residuals v. Fitted")

有时，残差图中这样的条纹代表具有（几乎）相同观察值的点，这些点得到不同的预测。查看您的目标值：它们有多少个唯一值？如果我的建议是正确的，那么您的训练数据集中应该有 9 个唯一值。

这种模式是家庭和/或链接不正确匹配的特征。如果您有过度分散的数据，那么也许您应该考虑负二项式（计数）或伽马（连续）分布。此外，您应该根据转换后的线性预测变量绘制残差，而不是使用广义线性模型时的预测变量。要转换 Poisson 预测器，您需要取线性预测器的平方根的 2 倍，并根据它绘制残差。残差不应该完全是皮尔逊残差，尝试偏差残差和学生化残差。