如何检查线性回归的基本假设？
简化版
OLS 系数无偏依赖条件均值设定正确和外生性，经典标准误还依赖独立同方差；残差正态主要影响小样本推断，并不是预测有效的必要条件。
回答时应把“线性、独立、同方差与误差分布诊断”讲清，再说明如何验证和落地；关键边界是：R² 高不能证明假设成立；残差近正态也不能排除内生性，业务因果结构必须另查。
详细版
OLS 系数无偏依赖条件均值设定正确和外生性，经典标准误还依赖独立同方差；残差正态主要影响小样本推断，并不是预测有效的必要条件。
处理这类问题可沿着四步展开：先确认数据生成与业务目标，再写出假设或公式；随后用独立验证数据检查结论，最后把监控、回滚和成本纳入上线方案。
画残差-拟合值图、QQ 图和时间自相关，检查 VIF 与高杠杆点；按问题采用变换、非线性项、稳健标准误或分组误差。
线性假设指 E[Y|X] 在线性预测子上正确，外生性要求 E[ε|X]=0。同方差主要关系到经典标准误，预测时可容忍但区间估计要修正。
诊断时，残差图查曲线和漏斗，QQ 图查尾部，Durbin-Watson/ACF 查时序相关，Cook distance 查影响点；VIF 只诊断共线，不判断因果。
一个具体判断是：若预测值从 10 到 100 时残差标准差由 2 增到 20，漏斗图提示异方差；系数点估计可用但普通置信区间会过窄。
核心表达可以写成：
Var(β_hat|X)=σ²(XᵀX)^(-1) under homoscedasticity面试中还应主动补充边界：R² 高不能证明假设成立；残差近正态也不能排除内生性，业务因果结构必须另查。
完整版教学
一、问题本质与使用动机
这道题的核心是线性、独立、同方差与误差分布诊断。OLS 系数无偏依赖条件均值设定正确和外生性，经典标准误还依赖独立同方差；残差正态主要影响小样本推断，并不是预测有效的必要条件。
线性假设指 E[Y|X] 在线性预测子上正确，外生性要求 E[ε|X]=0。同方差主要关系到经典标准误，预测时可容忍但区间估计要修正。
分析时先写清输入、监督信号、预测时刻和业务动作，再判断当前假设是否满足。非线性可加变换或 spline，异方差用稳健标准误或加权最小二乘，相关误差用聚类/时间序列结构。内生性需设计或工具变量。
二、机制与数学表达
可以用下面的关系抓住线性、独立、同方差与误差分布诊断的约束：
Var(β_hat|X)=σ²(XᵀX)^(-1) under homoscedasticity公式中的每个量都必须对应可观测或可估计的数据，而不能只停留在符号层面。线性假设指 E[Y|X] 在线性预测子上正确，外生性要求 E[ε|X]=0。同方差主要关系到经典标准误，预测时可容忍但区间估计要修正。
因此检查重点不是“有没有算出结果”，而是训练目标、统计假设和决策口径是否同向。R² 高不能证明假设成立；残差近正态也不能排除内生性，业务因果结构必须另查。
三、带数字的推演
考虑这个场景：若预测值从 10 到 100 时残差标准差由 2 增到 20，漏斗图提示异方差；系数点估计可用但普通置信区间会过窄。
诊断不能只看汇总值。残差图查曲线和漏斗，QQ 图查尾部，Durbin-Watson/ACF 查时序相关，Cook distance 查影响点；VIF 只诊断共线，不判断因果。
选择方案时要把统计收益与实施代价放在一起。非线性可加变换或 spline，异方差用稳健标准误或加权最小二乘，相关误差用聚类/时间序列结构。内生性需设计或工具变量。
四、从数据到上线的执行流程
推荐按以下链路实施线性、独立、同方差与误差分布诊断：
定义目标与时点
↓
冻结数据切分和基线
↓
训练或估计关键参数
↓
分群、时间外与压力验证
↓
灰度发布 → 监控 → 回滚或迭代其中最关键的工程动作是：画残差-拟合值图、QQ 图和时间自相关，检查 VIF 与高杠杆点；按问题采用变换、非线性项、稳健标准误或分组误差。
工程闭环不能省略：保存诊断图和阈值，不要只输出一个 p 值。数据更新后重新检查，因为新范围可能暴露旧模型未覆盖的曲率。
五、方案对比与选择边界
| 维度 | 经典 OLS 推断 | 稳健或聚类标准误 |
|---|---|---|
| 主要目标 | 建立直接、低成本的基线 | 更贴合线性、独立、同方差与误差分布诊断的实际约束 |
| 优点 | 实现简单，便于解释和排错 | 能减少假设失配带来的系统误差 |
| 风险 | 容易忽略分布、成本或时间边界 | 需要额外数据、调参与监控 |
| 选择依据 | 数据少、关系简单、风险较低 | 证据表明简单方案已产生稳定偏差 |
对比不能停在“哪个更先进”。非线性可加变换或 spline，异方差用稳健标准误或加权最小二乘，相关误差用聚类/时间序列结构。内生性需设计或工具变量。
记忆钩子：先核对问题的统计前提，再看离线数字，最后问线上决策会不会改变数据。模型只是链路中的一环。
六、诊断、监控与故障处置
诊断时，残差图查曲线和漏斗，QQ 图查尾部，Durbin-Watson/ACF 查时序相关，Cook distance 查影响点；VIF 只诊断共线，不判断因果。
保存诊断图和阈值，不要只输出一个 p 值。数据更新后重新检查，因为新范围可能暴露旧模型未覆盖的曲率。
若异常出现，先冻结新版本并与最近稳定基线做同请求回放，再按特征和人群定位差异。证据不足时优先降级或回滚，不要用连续热修复掩盖根因。
七、常见误区与追问
- 误区：离线指标提高就代表方案一定更好。 还要核对切分、统计前提、线上成本和人群切片，防止虚假提升。
- 误区：复杂方法天然优于简单基线。 R² 高不能证明假设成立；残差近正态也不能排除内生性，业务因果结构必须另查。
- 误区：训练过程收敛就证明模型正确。 优化器只能解决既定目标，不能修复错误标签、时间穿越或目标错配。
- 追问：正态性违反会让 OLS 有偏吗？ 在外生性成立时系数仍可无偏；主要影响小样本精确推断，重尾也会增加方差和异常点影响。
- 追问：线上结果与离线不一致怎么办？ 回放线上请求，逐项核对特征值、阈值、采样机制和业务干预，再判断是实现偏差还是分布变化。
- 追问：数据量变大后结论会变吗？ 会；方差、可用容量和估计稳定性都可能变化，应重新选择超参数而不是机械复用旧配置。
- 追问：什么时候不该使用当前方法？ 当前提明显不成立、关键区域缺少数据，或引入的维护成本超过可验证收益时，应选择更稳健的替代方案。
八、加强记忆
把线性、独立、同方差与误差分布诊断串成一条检查链：先定义目标和数据时点，再写清假设与公式；用带数字的基线验证机制，以独立切分检查泛化；上线前加入成本、容量和公平边界，上线后同时监控输入变化与真实结果。
答题时抓住“定义—机制—证据—边界—处置”五个锚点。定义说明讨论对象，机制解释为什么，证据用数字落地，边界防止过度承诺，处置体现工程能力；这比孤立背诵名词更接近真实建模工作。