我有一个散点图，它比较了预测值和观察值。这种情节的合适名称是什么？
详细地说，我在几个时刻对特定工程量进行了一组测量。我还有一个模型，可以在相同的时间预测该数量的值。为了说明模型的质量，我将每个（预测、测量）对绘制为散点图中的一个点，预测在轴和上的测量轴。我也在画线图表上作为参考。（那条线上的点代表预测和测量之间的完美一致性。）
我多次听到这种类型的情节被称为“QQ情节”。根据Wikipedia 上给出的 QQ 图的定义，这在技术上是不正确的，因为我没有绘制分位数。我试图确定在像我这样的情况下流行使用术语“QQ 情节”是否已经成为这种情节的事实上的名称。如果不是，那么这种情节的合适名称是什么？
观察和预测的散点图显然不是分位数 - 分位数图（它定义了一个永不减少的点序列）。
人们经常只是非正式地谈论什么是在哪个轴上，比如观察到或反对预测或拟合（例如，Chambers et al. 1983）。
我建议在垂直或轴和预测或安装在水平或轴比相反的约定略好，原因有两个：
在纵轴上绘制响应或结果变量是整个科学界的普遍惯例。
这与在垂直轴上绘制残差并在非常常见的关联图中预测或拟合在水平轴上的非常常见的惯例相匹配。（观察与拟合图和残差与拟合图显示相同的信息；第一个传达了好消息，更容易从实质上思考，而第二个传达坏消息，更容易在统计上思考，特别是在考虑模型是否足够或可以改进。）
关于与vs哪个是正确的方式，请参阅vs (vs.) 的讨论：如何在数据分析中正确使用这个词
更正式的名称是校准图（例如 Harrell 2001、2015；Venables 和 Ripley 2002；Gelman 和 Hill 2007）。
Chambers, JM, Cleveland, WS, Kleiner, B. 和 Tukey, PA 1983。 数据分析的图形方法。加利福尼亚州贝尔蒙特：沃兹沃思。
Gelman, A. 和 J. Hill。2007. 使用回归和多级/分层模型进行数据分析。 纽约：剑桥大学出版社。
Harrell Jr., FE 2001。 回归建模策略：应用于线性模型、逻辑回归和生存分析。 纽约：斯普林格。
Harrell Jr., FE 2015。 回归建模策略：应用于线性模型、逻辑和序数回归以及生存分析。 查姆：斯普林格。
Venables, WN 和 Ripley, BD 2002。S. New York的现代应用统计：Springer。