如何分析时间序列数据的拟合值vs实际值散点图（多元线性回归）

API 探路者

2026-7-19

拟合值vs实际值散点图解读（多元线性回归处理时间序列数据）

整体拟合效果：从散点图来看，大部分点集中在y=x参考线附近，说明模型能大致捕捉目标变量的变化趋势，但存在明显的偏差区间，拟合精度并不均匀。
时间序列特征缺失的信号：由于你的数据是时间序列且一年内观测值密集，散点呈现的集群式偏离很可能是模型未捕捉到季节性、趋势性或自相关性导致的。线性回归默认不考虑时间维度的依赖关系，若数据存在月度/周度周期，或者当前值和往期值相关，就会出现这类系统性偏差。
异方差问题：实际值越高的区域，散点离散程度越大，这是典型的异方差表现——误差的方差随目标变量取值增大而上升，会削弱线性回归系数的可靠性，需要针对性优化。
极端值排查：图中存在少量远离参考线的极端点，这些点可能是异常值，也可能对应特殊事件（如突发冲击）。建议定位这些点的时间节点，排查是否有特殊情况，或尝试剔除后重新拟合，验证模型稳定性。
优化建议：
- 引入时间相关特征：添加月份/季度虚拟变量（捕捉季节性）、时间戳的多项式项（捕捉趋势）、目标变量的滞后项（捕捉自相关）。
- 检验序列相关性：用Durbin-Watson检验残差的自相关性，若存在显著序列相关，考虑改用SARIMA、带时间固定效应的回归模型等专门处理时间序列的方法。
- 处理异方差：对目标变量做对数变换，或采用加权最小二乘回归，对误差方差小的区间赋予更高权重。