ANÁLISIS RESIDUAL
2,328
Para un valor dado X de la variable independiente, al valor Yi de la recta de regresión con frecuencia se le denomina valor ajustado de la variable independiente. La diferencia entre el valor observado Y y el valor ajustado Yi se denomina el residuo para esa observación y se denota por e:
- El análisis residual permite evaluar lo adecuado del modelo de regresión que ha sido ajustado a los datos. También sirve para detectar si los supuestos se cumplen
El análisis de residuales permite cotejar si las suposiciones del modelo de regresión se cumplen. Se puede detectar:
a) Si efectivamente la relación entre las variables X e Y es lineal.
b) Si hay normalidad de los errores.
c) Si hay valores anormales en la distribución de errores (Si se usa Residual estandarizado, cualquier observación con un residual mayor de 2 o menor de 2 es considerado “outlier”)
d) Si hay varianza constante (propiedad de Homocedasticidad)
e) Si hay independencia de los errores.
análisis DE RESIDUOS
ANÁLISIS RESIDUAL
EJEMPLO
HAY CINCO
gráficas DE RESIDUOS PARA rigidez
1) Normalidad: Permite cotejar normalidad. Si los puntos están bien cerca de una línea recta se concluye, que hay normalidad.
REGRESIÓN LINEAL SIMPLE Y CORRELACIONAL
gráficos DE RESIDUOS
4) Residuales versus el indice de la observación: Es más específico para detectar que observación es un dato anormal. Si se usan residuales estandarizados, entonces un dato con residual más allá de 2 ó 2 es considerado un "outlier" en el sentido vertical.
- Análisis residual
2) Histograma de Residuales: También permite cotejar normalidad. Cuando el histograma es simétrico, con un único pico en el centro, se concluye que hay normalidad.
3) Residuales versus los valores predichos (FITS): Se usa para detectar si hay datos anormales, cuando hay datos que caen bastantes alejados, tanto en el sentido vertical como horizontal. También permite detectar si la varianza de los errores es constante con respecto a la variable de respuesta.
5) Residuales versus la variable predictora: Es usado para detectar datos anormales así como si la varianza de los errores es constante con respecto a la variable predictora.