Verificación de los Supuestos

-

    La verificación de los supuestos en un modelo de regresión lineal es importante para asegurarnos de que las condiciones necesarias para aplicar el modelo son satisfechas. Los supuestos principales son los siguientes:

  1. Linealidad: La relación entre las variables debe ser lineal.
  2. Homocedasticidad: La varianza de los errores debe ser constante para todos los valores de la variable independiente.
  3. Normalidad: Los errores deben seguir una distribución normal.
  4. Independencia: Los errores deben ser independientes entre sí.

    Para verificar estos supuestos, se pueden realizar varios análisis gráficos y estadísticos, como los siguientes:

  1. Gráfico de dispersión: Se puede graficar los valores observados contra los valores predichos por el modelo. Si los puntos están dispersos aleatoriamente alrededor de una línea recta, la linealidad se cumple.
  2. Gráfico de residuos vs. valores ajustados: Se puede graficar los valores de los residuos (errores) contra los valores ajustados (predichos). Si la dispersión de los puntos es constante a lo largo de la línea horizontal, la homocedasticidad se cumple.
  3. Gráfico de probabilidad normal: Se puede graficar los residuos ordenados de menor a mayor contra los valores teóricos de la distribución normal. Si los puntos siguen una línea recta, la normalidad se cumple.
  4. Gráfico de autocorrelación: Se puede graficar los residuos contra los valores retardados (retrasados) de los residuos. Si los puntos están dispersos aleatoriamente alrededor de la línea horizontal, la independencia se cumple.

    Además de estos análisis gráficos, se pueden utilizar pruebas estadísticas como la prueba de Jarque-Bera para evaluar la normalidad de los residuos, la prueba de Breusch-Pagan para evaluar la homocedasticidad y la prueba de Durbin-Watson para evaluar la autocorrelación de los residuos.

    En resumen, la verificación de los supuestos es fundamental para validar los resultados de un modelo de regresión lineal y garantizar que sean confiables y útiles para la toma de decisiones.




Comentarios

Publicar un comentario

Entradas populares de este blog

Durbin-Watson

-
Imagen
     Durbin-Watson es una estadística que se utiliza para probar la autocorrelación de los residuos en un modelo de regresión. Esta estadística se basa en la idea de que los residuos de un modelo de regresión deben ser independientes y no correlacionados.      El valor de Durbin-Watson oscila entre 0 y 4, y cuanto más cercano esté a 2, menor será la autocorrelación. Un valor de 2 indica que no hay autocorrelación, un valor menor que 2 indica autocorrelación positiva, mientras que un valor mayor que 2 indica autocorrelación negativa. La interpretación del valor de Durbin-Watson es la siguiente: Si el valor está entre 0 y 2, hay evidencia de autocorrelación positiva en los residuos. Si el valor está cerca de 2, no hay evidencia de autocorrelación. Si el valor está entre 2 y 4, hay evidencia de autocorrelación negativa en los residuos.      Es importante tener en cuenta que Durbin-Watson es una prueba de autocorrelación de primer orden, lo que significa que solo mide la correlación entre
Leer más

Graficos de Dispersión para los Residuos

-
Imagen
     Los gráficos de dispersión para los residuos son una herramienta útil para verificar los supuestos del modelo lineal simple y evaluar si los errores tienen alguna estructura sistemática. Estos gráficos muestran la relación entre los residuos y los valores ajustados del modelo.      Para hacer un gráfico de dispersión para los residuos, se grafican los residuos (eje y) versus los valores ajustados del modelo (eje x). Si el modelo es adecuado y se cumplen los supuestos, los residuos deberían distribuirse aleatoriamente alrededor de cero y no debería haber ninguna relación clara entre los residuos y los valores ajustados. Ejemplos:
Leer más

Diagrama de Dispersión

-
Imagen
     Un diagrama de dispersión es una herramienta gráfica que se utiliza para analizar la relación entre dos variables. En este tipo de diagrama, los valores de una variable se representan en el eje horizontal (eje x) y los valores de la otra variable se representan en el eje vertical (eje y).      Cada punto en el diagrama de dispersión representa una observación de las dos variables. Si los puntos están agrupados cerca de una línea recta, esto sugiere que hay una relación lineal entre las dos variables. Por otro lado, si los puntos están dispersos y no parecen seguir una línea recta, esto sugiere que no hay una relación lineal clara entre las dos variables.      El diagrama de dispersión es una herramienta muy útil para analizar la relación entre dos variables, especialmente cuando se utiliza en conjunto con otras técnicas estadísticas como el coeficiente de correlación y la regresión lineal.
Leer más