Residualplot?!?!?!

Nu skriver du ikke meget om hvad det handler om, men jeg synes det lyder som om det har noget med regression at gøre.
I så fald er residualerne, det man misser med når man bruger sine uafhængige variable til at give en prediktion på den afhængige.
Man laver ofte residualplot for at undersøge hvorvidt man kan antage at variansen af fejlleddet (som man estimerer ved residualerne) er kontant, betinget på de forklarende variable. Hvorfor man gør det er noget mere teknisk.

Hehe mange tak, og ja det har noget med regression at gøre... du kan ikke skære det lidt mere ud i pap vel??

Jeg kan prøve... Tag udgangspunkt i regression med 1 forklarende variabel, x:
Du har en regressionsmodel y_i=b+ax_i+u_i, Hvor y_i og x_i angiver observation nr. i og i > 2 og u_i er et fejlled (der vil altid være fejl når man udføre regression. Det kan være på grund af en udeladt variabel eller bare statistisk støj). Udføres så regression af y på x fås et output der giver den estimerede sammenhæng. Indsætter du så dine x-værdier i den estimerede ligning får du det man kalder de predikterede værdier, y_hat. Residualerne er så de estimerede fejlled, u_hat. Da u_i= y_i - b-ax_i, estimeres disse ved u_hat_i = y_hat_i - a - bx_i, hvor a og b er de estimerede værdier. Residualerne er altså et estimat for hvor meget der ligger tilbage i fejlleddet.
Når man laver statistik på de estimater man har fundet antager man ofte at Var(u^2|x)=E(u^2|x)=c, fordi det simplificerer analysen og gør det nemt at finde standardfejl. Da det bedste estimat man har for u^2 er u_hat ^2, laver man ofte en grafisk analyse af om variansen af u|x er konstant ved at plotte disse residualer overfor x. I virkeligheden burde man plotte residualerne kvadreret, man det er lidt mindre bekvemt.
Jeg ved ikke om det hjalp. Ellers tror jeg ikke du skal tænke så meget over det. Bare husk at man undersøge hvorvidt den betingede varians på fejlleddet er konstant.

hehe okay, men mange tak.. det sidste hjalp =D