偏离点，也称为异常点或强影响点，可能会对回归直线方程的拟合结果产生显著影响。具体影响如下：

1. **高杠杆点**：这些点在自变量（X空间）上具有较大的值，可能会导致回归直线的斜率发生变化，从而影响整个模型的预测能力。

2. **离群值**：这些点在因变量（Y空间）上具有较大的值，可能会导致回归直线的截距发生变化，同样会影响模型的预测能力。

3. **强影响点**：如果移除某个数据点后，模型参数会发生明显变化，那么这个点就是一个强影响点。强影响点的存在可能会使模型过度拟合于这些特定的数据点，从而降低了模型对新数据的泛化能力。

4. **相关系数**：相关系数（r）衡量的是数据点与回归直线之间的线性关系强度。如果r的值接近-1或1，表明数据点与回归直线之间的线性关系很强，但如果r的值接近0，则表明线性关系较弱。偏离点可能会影响相关系数的大小，从而影响我们对线性关系强度的判断。

5. **残差分析**：残差的标准差或平均绝对值可以用来衡量样本数据相对于最小二乘法拟合出的直线的离散程度。偏离点可能会导致残差的增加，从而表明模型的拟合度较差。

6. **回归系数**：回归系数B值表示自变量对因变量的影响程度。偏离点可能会导致B值的变化，影响我们对自变量影响力度的评估。

综上所述，在实际应用中，为了减少偏离点对回归分析的影响，可以采取以下措施：检测并排除异常点、使用鲁棒性较强的回归方法、或者调整模型参数以适应数据的特性。通过这些方法，可以提高回归模型的准确性和可靠性。