Diagnóstico de regresión

En estadística , un diagnóstico de regresión es uno de los procedimientos disponibles para el análisis de regresión que buscan evaluar la validez de un modelo de diversas maneras. ^{[ 1 ]} Esta evaluación puede ser una exploración de los supuestos estadísticos subyacentes del modelo , un examen de la estructura del modelo considerando formulaciones con menos, más o diferentes variables explicativas , o un estudio de subgrupos de observaciones, buscando aquellas que están mal representadas por el modelo ( valores atípicos ) o que tienen un efecto relativamente grande en las predicciones del modelo de regresión.

Un diagnóstico de regresión puede adoptar la forma de un resultado gráfico, resultados cuantitativos informales o una prueba de hipótesis estadística formal , ^{[ 2 ]} cada uno de los cuales proporciona orientación para las etapas posteriores de un análisis de regresión.

Los diagnósticos de regresión a menudo se han desarrollado o se propusieron inicialmente en el contexto de la regresión lineal o, más particularmente, de los mínimos cuadrados ordinarios . Esto significa que muchos diagnósticos definidos formalmente solo están disponibles para estos contextos.

Distribución de errores del modelo

• Gráfico de probabilidad normal

Homocedasticidad

• Prueba de Goldfeld-Quandt
• Prueba de Breusch-Pagan
• Prueba de estacionamiento
• Prueba blanca

Correlación de errores del modelo

• Prueba de Breusch-Godfrey

Adecuación de las variables explicativas existentes

• Gráfico de residuos parciales
• Prueba de reinicio de Ramsey
• Prueba F para usar cuando hay observaciones replicadas, de modo que se pueda hacer una comparación entre la suma de cuadrados de falta de ajuste y la suma de cuadrados de error puro, bajo el supuesto de que los errores del modelo son homocedásticos y tienen una distribución normal .

Agregar o eliminar variables explicativas

• Gráfico de regresión parcial
• La prueba t de Student para probar la inclusión de una sola variable explicativa, o la prueba F para probar la inclusión de un grupo de variables, ambas bajo el supuesto de que los errores del modelo son homocedásticos y tienen una distribución normal .

Cambio en la estructura del modelo entre grupos de observaciones

• Prueba de rotura estructural
  • Prueba de Chow

Comparación de estructuras de modelos

• estadística de PRENSA

Valores atípicos

Observaciones influyentes

• Apalancamiento (estadística) , apalancamiento parcial
• DFFITS
• Distancia de Cook