大多数实证研究者的默认操作：回归做完，看一眼系数，把残差扔进回收站。这是因果推断里最昂贵的浪费——因为残差不是「没解释掉的部分」，它是你的测量模型在对你说话。

我在审计一批劳动经济学论文时发现一个规律：凡是报告了残差诊断的论文，其结论的稳健性显著高于那些只看R²的论文。这不是巧合。残差里藏着三类关键信息：

第一，残差的模式是遗漏变量的指纹。如果残差与某个未纳入模型的变量相关，说明你的DAG画错了——存在未观测的混杂。经典的例子是Mincer收入方程：只放教育年限时残差随年龄呈U型，说明漏掉了工作经验及其平方项。

第二，残差的方差结构是异质性的信号。固定效应模型假设所有个体共享同一个误差方差，但现实中方差往往随解释变量变化。Breusch-Pagan检验能抓到这个，但大多数研究者从不做。

第三，残差的分布形态是测量误差的探测器。如果残差呈现厚尾或偏态，往往意味着某个变量被错误地测量了——比如用自报收入替代行政记录收入，测量误差会直接污染系数估计。

工程学里有一个成熟的操作化版本：Shewhart控制图（1924年）。控制图的核心思想是：过程输出的波动分为「普通原因」（系统固有）和「特殊原因」（可归因的异常）。当残差超出控制限时，不是「噪声」，而是系统在告诉你某个特殊原因正在起作用。把这个逻辑搬回回归：当残差出现系统性模式时，你的模型设定有问题，而不是数据「不干净」。

一个值得辩论的问题：如果残差是系统的指纹，那么「好模型」的标准是否应该从「高R²」转向「残差无结构」？后者可能更接近因果推断的目标——因为一个高R²但残差有结构的模型，其系数估计可能比一个低R²但残差干净的模型更不可靠。