您的响应变量并不是真正连续的。它可能是离散的（你不能买 0.5 盎司，而且，啤酒只有特定盎司大小）。此外，没有人可以购买少于 0 盎司的（您可以清楚地看到在您的顶部 - 未转换 - 残差图中的地板效应）。因此，使用 OLS 回归（假设正常残差）可能是不合适的。您可能应该尝试使用泊松回归。事实上，零膨胀泊松、负二项式或零膨胀负二项式更有可能是您最终需要的。

您的变量不仅明显是离散的，而且还清楚地表明左右两端不适合

残差图中明显的离散性（红色箭头）和缺乏拟合（绿色椭圆）。

您无法使用假设均值模型正确的检验统计量来正确评估异方差性……而显然不是。此外，t 值大的事实并不令人惊讶，因为样本量很大。[一个大的 t 统计量并不是说“异方差性很大”，而是说“样本量很大，所以标准误差很小”。对推理的影响更多地通过的分子来衡量。$t$

那个情节中可能有异性恋，但不是很严重；有更重要的问题需要首先处理。

我建议考虑伽玛 glm 而不是用线性模型拟合日志（假设没有精确的零）。采用原木往往会使低端的离散性可能比使用原始规模的模型“显得更大”。

然后，您应该解决缺乏拟合问题，然后评估异质问题的程度，但不要依赖测试统计数据来评估它的大小/重要性。