某人记录了21天使用空调器的时间和使用烘干器的次数,并监测电表以计算出每天的耗电量（KWH）与空调器使用的小时数（AC）和烘干器使用次数（DRYER）之间的关系，建立并检验回归模型，通过残差图诊断是否有异常点

首先，我们需要使用 MATLAB 对数据进行回归分析，并得到回归模型。假设数据存储在名为 data 的表格变量中，其中第一列为每天的耗电量（单位：KWH），第二列为空调器使用的小时数（AC），第三列为烘干器使用次数（DRYER），则可以使用 fitlm 函数进行回归分析，具体代码如下：

data = readtable('data.xlsx');  % 读取数据
model = fitlm(data, 'y ~ x1 + x2');  % 建立回归模型，其中 y 表示耗电量，x1 表示空调器使用的小时数，x2 表示烘干器使用次数
disp(model);  % 显示回归模型的详细信息

通过回归分析得到回归模型后，我们可以使用残差图进行异常点的诊断。残差图是绘制实际观测值与预测值之间残差的散点图，通过观察残差图，可以判断回归模型是否合适，以及是否存在异常点。如果残差图中的点随机分布在零线附近，且没有明显的趋势或规律，那么说明回归模型比较合适，没有异常点；反之，则说明回归模型存在问题或者存在异常点。

下面是绘制残差图的代码：

figure;  % 创建新的图形窗口
plotResiduals(model, 'fitted');  % 绘制残差图

其中，plotResiduals 函数用于绘制残差图，'fitted' 表示绘制残差与预测值的散点图。

通过观察残差图，如果存在明显的规律或趋势，或者有些点距离零线太远，那么就需要进一步检查这些点，判断是否为异常点。可以使用以下代码找出残差较大的观测值：

resid = model.Residuals.Raw;  % 获取残差
outliers = find(abs(resid) > 2.5*std(resid));  % 查找残差大于2.5倍标准差的观测值
disp(outliers);  % 显示异常点的行号

其中，outliers 变量存储了残差较大的观测值的行号，可以根据这些行号查看数据中对应的记录，判断其是否为异常点。如果存在异常点，可以考虑将其剔除或者进行修正，重新建立回归模型。