Correlación y regresión lineal: condiciones, diagnóstico de residuos y observaciones influyentes

Matemáticas3,93 KB

Correlaciones

Pearson mide la relación lineal y Spearman mide la relación monótona (aunque no sea lineal).

  • r próximo a +1 indica correlación positiva fuerte.
  • r próximo a −1 indica correlación negativa fuerte.
  • r próximo a 0 indica ausencia de correlación lineal (Pearson).

Si p < 0,05, la correlación es estadísticamente significativa.

Regresión lineal

  • R² alto indica que el modelo explica más variabilidad.
  • R² ajustado alto es mejor, porque penaliza las variables innecesarias.
  • AIC y BIC: cuanto menores, mejor.
  • En ANOVA, si p < 0,05, añadir variables mejora significativamente el ajuste; si p ≥ 0,05, no hay evidencia suficiente de mejora.
  • Stepwise añade o elimina variables buscando minimizar el AIC.

Condiciones de la regresión

  1. Linealidad: los residuos deben estar dispersos aleatoriamente, sin curvas.
  2. Media de los residuos ≈ 0.
  3. Homocedasticidad: varianza constante. En el test de Breusch-Pagan, p < 0,05 indica heterocedasticidad.
  4. Independencia: Durbin-Watson ≈ 2 indica ausencia de autocorrelación de primer orden; próximo a 0, autocorrelación positiva; próximo a 4, autocorrelación negativa.
  5. Correlación residuos-predictores ≈ 0.
  6. Multicolinealidad: VIF próximo a 1 es bueno; VIF > 5 puede indicar problemas.
  7. Varianza de las variables independientes > 0.
  8. Normalidad: tests de Lilliefors, Anderson-Darling y Cramér-von Mises; p < 0,05 indica evidencia de falta de normalidad.

En OLS con intercepto, las condiciones 2 y 5 se cumplen por construcción.

Gráficas de residuos

  • Nube aleatoria alrededor de 0: buen indicio.
  • Forma de embudo: heterocedasticidad.
  • Forma de U o de curva: posible falta de linealidad.
  • Q-Q con puntos próximos a la diagonal: normalidad aproximada; puntos alejados: posible falta de normalidad.
  • Escala-localización con dispersión creciente: varianza no constante.

Observaciones influyentes

  • Distancia de Cook: mide la influencia global (punto de corte de la práctica: 4 × media de Cook).
  • DFBETAS: mide cuánto cambia cada coeficiente (límite ±2/√n).
  • DFFITS: mide cuánto cambia la predicción (límite ±2√(p/n)).
  • Residuos studentizados: detectan valores atípicos (|r| > 2; especialmente > 3).
  • Leverage: detecta valores extremos en X (límite 2p/n).

Donde n es el número de observaciones y p el número de parámetros, incluido el intercepto. Un dato atípico no siempre es influyente y no debe eliminarse automáticamente.

Resultados de mi práctica

  • Breusch-Pagan: p = 0,00043 → heterocedasticidad.
  • Durbin-Watson = 1,009 → indicios de autocorrelación positiva.
  • Correlación residuos-X ≈ 0 → ausencia de correlación lineal.
  • VIF = 1,023 → sin multicolinealidad importante.
  • Observación 242 → atípica e influyente, con residuo studentizado −3,53, O₃ real = 78 y predicho = 131,24.

Reglas clave

En los tests, p < 0,05 → se rechaza H₀; p ≥ 0,05 → no se rechaza H₀. En regresión buscamos un R² ajustado alto y un AIC bajo.

Para interpretar: «El resultado indica que se cumple/no se cumple la condición, ya que el estadístico obtenido es X y supera/no supera el umbral establecido».

No rechazar H₀ no significa demostrar que sea verdadera.

Descargar

PDF Word HTML