Residuos:

El residuo

, es la diferencia entre el valor observado

y el valor ajustado ,

Estos residuos pueden ser considerados como el error observado, en distincin al verdadero
error desconocido en el modelo de regresin:

* +
En el modelo de regresin, los trminos de error , son asumidos como v.as. independientes
idnticamente distribuidas normal, con media 0 y varianza . Si el modelo es apropiado para
los datos, los residuos observados, , debieran entonces reflejar las propiedades asumidas
para los . Esta es la idea bsica bajo el anlisis residual.

Propiedades de los residuos:

-

Media: La media de los

dada por

residuos

para el modelo de regresin lineal simple esta

El hecho de que es siempre 0, no significa de que los verdaderos errores

valor esperado igual a 0, e.d., ( )
.
-

Varianza: La varianza de los

residuos

tengan

est definida como sigue:

Si el modelo es apropiado, MSE, es el estimador insesgado de la varianza de los trminos

de error, .
-

No independencia: Los residuos

NO son variables aleatorias independientes porque

ellos involucran los valores ajustados , los cuales estn basados en la misma funcin
de regresin ajustada. Como resultado, los residuos del modelo de regresin estn
sujetos a dos restricciones. Estas restricciones son:
i)
La suma de los debe ser igual a cero.
ii)
El producto de
debe sumar 0, e.d.,
.

Cuando el tamao de muestra es grande en comparacin al nmero de parmetros en

el modelo de regresin, el efecto de independencia entre los residuos puede ser
ignorado.

Residuos Semi-studentizados: Algunas veces, es til estandarizar los residuos para

el anlisis residual. Ya que la desviacin estndar de los trminos de error es , la
cual es estimada por
estandarizacin:

, es natural considerar la siguiente forma de

Si
llamar

fuese una estimacin de la desviacin estndar de los residuos, podramos

como residuos studentizados. Sin embargo, la desviacin estndar de los

es compleja y vara para los diferentes residuos, y

es slo una aproximacin de la
desviacin estndar. Mas tarde en el curso, veremos los residuos studentizados. Ambos,
los residuos semi-studentizados y studentizados pueden ser muy tiles en la
identificacin de observaciones atpicas.

Examinando el modelo a travs del estudio residual

Se puede considerar el uso de los residuos para examinar 6 tipos de desviaciones desde
modelo de regresin lineal simple con errores normales:
1.
2.
3.
4.
5.
6.

La funcin de regresin es no lineal.

Los trminos de error no tienen varianza constante.
Los trminos de error no son independientes.
El modelo ajusta todo, pero existen observaciones atpicas.
Los trminos de error no se distribuyen normal.
Una o varias variables predictoras importantes han sido omitidas del modelo.

Diagnstico usando grficos

Los siguientes grficos de residuos (o residuos semi-studentizados) se puede utilizar:
1.
2.
3.
4.
5.
6.
7.

Grfico de los residuos vs. Variable regresora.

Grfico del valor absoluto o residuos al cuadrado vs. Variable regresora.
Grfico de los residuos vs. Valores ajustados.
Grfico de los residuos vs. Tiempo u otra secuencia (segn corresponda).
Grfico de los residuos vs. Variable(s) regresora(s) omitidas.
Box plot de los residuos.
Grfico de probabilidad normal de los residuos.

Ejemplo: Este corresponde a nuestro ejercicio caso 1

7.