UNIVERSIDAD NACIONAL DEL CALLAO

VICERRECTORADO DE INVESTIGACIÓN - VRI

OFICINA DE CAPACITACIÓN

Estadística Intermedia con R

Docente: Lic. Edward Alburqueque Salazar
Correo: edward.al.salazar@gmail.com

CLASE 4
Supuestos del Modelo de
Regresión
 Análisis de los Residuos ei  Yi  Ŷi
 El residuo para la observación i, ei, es la diferencia
entre su valor observado y predicho.
 Verifique los supuestos de regresión examinando los
residuos.
 Examinar el supuesto de linealidad.
 Evaluar el supuesto de independencia.
 Evaluar el supuesto de distribución normal.
 Examine la varianza constante para todos los niveles de X
(homocedasticidad).
 Ausencia de Multicolinealidad: Las variables independientes en
un modelo de regresión múltiple no deben estar correlacionadas.
 Identificación de variables influyentes (distancia de Cook)
Análisis de los residuos para
la linealidad
 Análisis de los residuos para
la linealidad
Y Y

x x
residuals

residuals
x x

No lineal
 Lineal
Análisis de los residuos para
la normalidad
 Análisis de los residuos para
la normalidad
 Se puede usar una gráfica de probabilidad normal
de los residuos para verificar la normalidad :

qqnorm(modelo)
qqline(modelo)

shapiro.test(residuos)

library(nortest)
lillie.test(residuos)
Análisis de los residuos para la
varianza (homocedasticidad)
Análisis de los residuos para la
varianza (homocedasticidad)

# Breusch-Pagan Test
library(lmtest)
bptest(modelo)
 Análisis de los residuos para
la independencia
Los valores de los errores son estadísticamente
independientes unos de otros​

No Independente  Independiente
residuals

residuals
X X

# Durbin-Watson Test
residuals

X Library(lmtest)
dwtest (modelo, alternative = "two.sided")
Ausencia de Multicolinealidad
Identificación de valores
influyentes
Bondad de ajuste del modelo

Si el modelo da como resultado una mejor predicción que usar

la media, entonces esperamos que SSM sea mucho mayor que
SSR

SST = SSM + SSR

anova(modelo)