残差是因变量的观测值与根据估计的回归方程求出的预测值之差，用e表示。它反映了用估计的回归方程去预测观测值而引起的误差。
误差（error）和残差（residual）是两个相近但有区别的概念，二者均是统计样本中某一元素的观测值与其“真值”（未必可直接观测得到）之间的离差的度量。
残差和误差的区别：
1、误差是观测值与总体均值的偏差，而残差是观测值与样本均值的偏差。
2、误差大小可以衡量测量的准确性，残差大小可以衡量预测的准确性。
3、误差越大则表示测量越不准确，残差越大表示预测越不准确。
4、误差与测量有关，残差与预测有关。
以上内容参考：百度百科-残差
在统计学中，误差（Error）和残差（Residual）是两个常用的概念，它们之间存在一定的区别。
误差（Error）：误差是指实际观测值与真实值之间的差异。在实际测量和观测中，由于各种因素（如测量仪器误差、人为误差、随机噪声等）的影响，我们无法100%准确地得到真实值。误差表示了这种观测与真实值之间的差异。
举个生活中的例子，考虑一位射击运动员进行目标射击的情况。如果该运动员瞄准靶心并开枪，但子弹偏离了目标，这个偏离的量就是误差。即使射击手每次都尽力控制子弹击中目标，由于各种因素的干扰，之间可能会有一些微小的偏差。
残差（Residual）：残差是指在拟合模型中观测值与拟合值之间的差异。当我们使用一个数学模型去拟合/预测数据时，模型的输出值与实际观察到的值之间的差异被称为残差。
继续以目标射击为例，假设我们有一个拟合模型可以根据射击距离和风速预测子弹击中目标的位置。当动员射击并测量每次射击偏差时，我们可以将实际观测到的偏差与模型预测的偏差进行比较。两者之间的差异就是残差。如果模型表现良好，那么残差通常应该接近于零。
总结来说，误差反映了观测值与真实值之间的差异，而残差则是拟合模型的输出值与实际观测到的值之间的差异。在统计建模和分析中，我们常常关注残差，因为它可以用来评估模型的质量和准确性，并做进一步的推断和解释。