此为线性回归的模型假设之一：残差均值为零

正确答案是A: 残差均值总是为零。

**专业分析：**

在线性回归分析中，残差是指实际观测值与模型预测值之间的差异。线性回归模型的一个基本假设是，残差的均值为零。这意味着在回归分析中，正残差与负残差在数量上是均衡的，从而使得残差的总和为零。

具体来说，假设我们有一个线性回归模型：

\[ y = \beta_0 + \beta_1 x + \epsilon \]

其中，\( y \) 是因变量，\( x \) 是自变量，\( \beta_0 \) 和 \( \beta_1 \) 是回归系数，\( \epsilon \) 是残差。

在最小二乘法（OLS）估计中，回归系数 \( \beta_0 \) 和 \( \beta_1 \) 是通过最小化残差平方和来估计的。OLS方法的一个重要性质是：

\[ \sum_{i=1}^n \hat{\epsilon}_i = 0 \]

其中，\( \hat{\epsilon}_i \) 是第 \( i \) 个观测值的残差。因此，残差的均值为零：

\[ \text{残差均值} = \frac{1}{n} \sum_{i=1}^n \hat{\epsilon}_i = 0 \]

这保证了模型的无偏性，即在所有样本点上，模型预测值的平均值等于实际观测值的平均值。

因此，A: 残差均值总是为零，是正确的。