ANLISIS DE RESIDUOS

Si bien para la estimacin por mnimos cuadrados de los

coeficientes de unmodelode regresin, slo es necesaria la
asuncin de linealidad, la normalidad de los mismos, en base
a la cual se realizan los contrastes de hiptesis, est basada
tambin en las asunciones de normalidad y
homoscedasticidad. Por consiguiente, conviene asegurar que
dichas asunciones se cumplen en cada caso.

ANLISISDE LOS RESIDUOS

Hay que tener en cuenta que, en caso de que no se cumpla la

normalidad, no se puede utilizar latni laFpara los contrastes
de hiptesis. Puede usarse, sin embargo, la desigualdad de
Tchebysheff, que establece que para
cualquiervariablealeatoria

siendokcualquier nmerorealpositivo. Otro modo alternativo

de escribirlo es

Por lo tanto, un modo de contrastar, sin la asuncin de

normalidad, la hiptesis nula
H0:ai= a

es calcular el cociente

y la probabilidad de error tipo I al rechazarla es1/k 2

Esta prueba tampoco se puede usar si no se cumple la homoscedasticidad, pues en ese

caso la estimacin de EE(ai) no es vlida.

Recordando la2 formulacin del modelo, las asunciones se pueden resumir en que las
variablesex1,...,xkson independientes, distribuidas normalmente con media cero y todas
con la misma varianzas2

ex1,...,xkes un conjunto de variables, una para cada combinacinx1,...,xkde valores de las

variablesX1,...,Xk.

denominados residuos, son los valores que en la muestra toman estas variables.

El planteamiento habitual es considerar que, como todas ellas son normales con la
misma media (0) y la misma varianza ( 2), los residuos ( ) tambin tienen una
distribucin normal con media 0 y varianza desconocida 2 y, simplemente,
contrastar este extremo.

Al conjunto de tcnicas que se usan para ello se le denomina anlisis de los residuos.

El anlisis de los residuos consiste, por tanto, en contrastar que , i=1,...,n provienen
de una poblacin normal con media 0 y varianza 2 con las pruebas habituales de jicuadrado, Kolmogorov-Smirnov.

Hay que tener en cuenta que de este modo se estn contrastando globalmente todas
las asunciones y, por consiguiente, una falta de normalidad de los residuos puede ser
debida tambin a que elmodelo sea inapropiado o a existencia de heterocedasticidad.

Teniendo en cuenta que (n-(k+1))s2/ 2 se distribuye como una ji-cuadrado con (n(k+1)) grados de libertad, la variable

llamadaresiduo normalizadotendr una distribucintde

Student con (n-(k+1)) grados de libertad, que para valores
densuficientemente grandes se puede aproximar a una normal
reducida (de media cero y varianza 1) y, a menudo, se contrasta
la distribucin de estavariableen lugar de el residuo.

Adems de estas pruebas de significacin para asegurar que

globalmente se cumplen las asunciones delmodelo, es til realizar un
anlisis grfico de los mismos que permite discriminar entre distintas
violaciones de las mismas. Si se representara en una grfica
bidimensional los residuos observados (ejeY) para cada una de las
variablesY|x1,...,xk(ejeX) y se cumplieran las asunciones se observara
una nube de puntos en direccin horizontal y con anchura constante (la
media de cadaex1,...,xkdebera ser cero y tener todas la misma varianza).

elmodeloproduce la misma estimacin una grfica de

los residuos contra los valores predichos tendr el
mismo aspecto (fig.A).

Si se viola la linealidad se observar una falta de

linealidad tambin en los residuos (fig.B)

si se viola la homoscedasticidad, la anchura de la

banda no ser constante (fig.C)

una relacin lineal entre los residuos y las predicciones

puede indicar que alguna variable no incluida en
elmodelopuede ser significativa (fig.D).