How to Use Residual Plots to Check Regression Models
Table of Contents
¿Qué son los Residuales?
Los residuales son las diferencias entre los valores observados y los valores predicho por su modelo de regresión. Para cada punto de datos, el residual se calcula como:
Valor residual = Valor observado − Valor predefinido
En un modelo bien adaptado, los residuos deben ser dispersos al azar alrededor de cero, sin patrón claro. Representan la parte del resultado que su modelo no puede explicar – la variación sobrante o "ruido".
Matemáticamente, si lo has hecho n observaciones y su valor predicho para la observación i es .i, entonces el residual ei = Y tú.i − .i. Los residuos positivos significan el modelo subpredictado; los residuos negativos significan que es predefinido.
Comprender los residuos es fundamental porque llevan información sobre violaciones de los supuestos de regresión. Al examinar los residuos, puede detectar la no linearidad, diferencias de errores desiguales (heteroscedasticidad), los outliers y puntos de datos influyentes. En la práctica, ningún modelo es perfecto, y los residuos son la herramienta principal para diagnosticar dónde y cómo se encuentra su modelo. Por ejemplo, en un modelo lineal predecir los precios de la casa, sistemáticamente los residuos pueden revelar los cuadrados
Los residuales también juegan un papel central en la evaluación del modelo más allá de R2. Un alto R2 podría atraer a la complacencia, pero un diagrama de residuos puede exponer patrones ocultos que hacen las predicciones inconfiables. Cada científico de datos debe tratar el análisis residual como un paso no negociable después de encajar cualquier modelo de regresión.
¿Por qué usar lotes residuales?
Las parcelas residuales son herramientas visuales que le ayudan a evaluar si su modelo satisface las suposiciones clave de la regresión mínima de los cuadrados ordinarios (OLS):
- Linearity – La relación entre predictores y respuesta es lineal.
- Independencia – Los residuales son independientes entre sí (especialmente importantes para los datos de series temporales).
- Homoscedasticidad – La diferencia de los residuos es constante en todos los niveles de valores predichos.
- Normalidad de los errores – Los residuales se distribuyen aproximadamente normalmente (importantes para intervalos de confianza y pruebas de hipótesis).
Un único diagrama residual no puede verificar todas las suposiciones, pero un conjunto de diagramas de diagnóstico estándar – residuales vs. instalados, Q-Q plot, escala-localización y residuales vs. apalancamiento – le da una visión integral. Usar estas parcelas temprano en el proceso de modelado puede ahorrar horas de análisis mal guiado y ayudar a construir modelos más confiables.
Más allá de la comprobación de suposiciones, las parcelas residuales también revelan cuestiones prácticas como las interacciones perdidas o la necesidad de transformaciones. Muchos especialistas en ciencias de datos confían en ellos como el primer paso después de ajustar cualquier modelo de regresión. Por ejemplo, la parcela fijada por VS residual puede alertar a un término cuadrático perdido mucho antes de comparar los valores AIC.
Otra razón para usar las parcelas residuales es que son robustas para modelar la complejidad. Incluso en entornos de alta dimensión o con regresión regularizada, trazar residuos contra valores ajustados puede resaltar sesgo sistemático que podrían perder las pruebas numéricas. Los residuales nunca mienten; sólo le dicen lo que su modelo no puede explicar.
Crear un Parcela Residual
Construir una parcela residual es sencilla. Después de ajustar un modelo de regresión, siga estos pasos:
- Calcular los valores predichos (modelo) para cada observación.
- Computar los residuos (observados - predicho).
- Elija el tipo de residual que desea trazar. Las opciones comunes incluyen:
- Residuos ordinarios – Diferencias crudas. Fácil de interpretar, pero depende de la escala de la respuesta. Son útiles para detectar patrones pero no para compararlos con diferentes unidades.
- Residuos estandarizados – Dividida por una estimación de su desviación estándar. Ayudante para detectar los outliers (valores >2 o <−2 son sospechosos). La estandarización pone los residuos a una escala común, facilitando la identificación de puntos extremos.
- Segmentos de estudio (suprimidos) – Más robusto para identificar los outliers porque cada residual se calcula después de salir de esa observación. Los residuales estudiantilizados son especialmente poderosos cuando usted tiene unos pocos outliers potenciales que podrían estar tirando de la línea de regresión hacia sí mismos.
- Parcela los residuos en el eje y y y los valores predichos (o a veces la variable independiente) en el eje x.
La mayoría de los programas estadísticos producen estas parcelas automáticamente. Por ejemplo, en R puede llamar después de encajar un modelo lineal con . Python, utilizando se puede llamar o utilizar la función . Excel, puede crear una trama de dispersión de los residuos contra los valores predichos manualmente después de habilitar el Data Analysis Toolpak.
Al crear las parcelas manualmente, siempre use una escala consistente para los ejes. Un error común es permitir que el zoom de la parcela en un grupo de puntos mientras ignora los outliers de la escala; forzar los límites del eje para incluir todos los datos. Considere también agregar una línea horizontal a cero para enfatizar la dispersión ideal.
Tipos de Parcelas Residuales
Mientras que la parcela residual más simple es residuales vs. valores ajustados, un diagnóstico exhaustivo implica varias parcelas complementarias. Cada parcela apunta una suposición específica. A continuación examinamos las cuatro parcelas estándar que deben ser parte de cada análisis de regresión.
Residuals vs. Fitted Values
Esta es la trama diagnóstica más común. Se comprueba por la no linearidad y heteroscedasticidad. Idealmente, desea que los puntos se dispersen aleatoriamente alrededor de cero, sin forma sistemática (como una curva o un embudo). Se desea una banda horizontal (continuamente diseminado). Si ve una U‐shape o invertido-U, el modelo puede estar perdiendo un término cuadráctico o interacción.
Ejemplo práctico: En un modelo que predice la eficiencia del combustible del tamaño del motor, un patrón curvado podría indicar que la eficiencia mejora a una tasa de disminución a medida que aumenta el tamaño del motor. Añadiendo un término cuadrático para el tamaño del motor a menudo fija esto. De manera similar, un patrón de embudo (cremento de par con valores ajustados) es común en modelos donde la variable de respuesta tiene un límite inferior natural de cero, como los costos médicos; una transformación de registro de la respuesta puede ayudar.
Parcela Q‐Q normal
Una trama Q‐Q (quantile‐quantile) compara la distribución de sus residuos a una distribución normal teórica. Si los puntos caen aproximadamente a lo largo de la línea de referencia de 45 grados, la suposición de normalidad sostiene. Las desviaciones en los extremos indican colas pesadas (alineados) o esqueje. Esta trama es especialmente importante cuando planea utilizar pruebas de hipótesis o intervalos de confianza que dependen de la normalidad.
Qué buscar: puntos que se extraen por encima de la línea de la derecha indican los outliers positivos (secuentes de derechas); puntos por debajo de la línea de la izquierda indican los outliers negativos (left-skewed). Un clásico S-shape sugiere que la distribución residual tiene colas más cortas que normales, que es menos problemático que las colas pesadas.
Parcela de localización (Spread‐Location)
Esta parcela muestra la raíz cuadrada de los residuales estandarizados absolutos contra los valores ajustados. Ayuda a detectar heteroscedasticidad más claramente que los residuos vs. parcela equipada sola. Una línea horizontal con puntos igualmente difundidos sugiere varianza constante. Una tendencia ascendente o descendente indica que la variabilidad cambia con los valores ajustados. El eje y (√ perpetuastandardized residuals sometidas) tiene el efecto de amortiguar grandes residuales mientras que sigue mostrando patrones.
Si ves una tendencia clara, como el aumento de la propagación con valores más grandes, tienes evidencia de heteroscedasticidad. Esto es común en modelos donde la respuesta es un conteo (por ejemplo, número de defectos) o una variable continua positiva con una amplia gama (por ejemplo, ingresos). Los mínimos cuadrados ponderados o transformaciones estabilizadoras de varianza son remedios típicos.
Residuals vs. Leverage Plot ( Distancia de Garganta)
El margen de maniobra mide cuántos valores predictores de observación difieren de la media. Los puntos de alta distancia pueden tener una influencia desproporcionada en los coeficientes de regresión. Esta trama combina el apalancamiento (x-axis) con residuos estandarizados (y-axis), a menudo con contornos que muestran la distancia de Cook.
No todo punto de alta distancia es problemático; si su residual es pequeño, puede ser inofensivo. El peligro surge cuando un punto tiene tanto alta ventaja como un gran residual. Tales puntos pueden inclinar la línea de regresión dramáticamente. Siempre examinar los datos detrás de estos puntos – podrían ser errores de entrada de datos, o podrían ser casos extremos legítimos que requieren una especificación de modelo diferente (por ejemplo, un segmento separado).
En la práctica, una regla rápida de pulgar: cualquier punto con la distancia de Cook > 1 garantiza un aspecto cercano. Algunos analistas usan un corte de 4/n, pero el umbral exacto es menos importante que identificar puntos que se destacan de los otros.
Interpretación de lotes residuales
Interpretar las parcelas residuales requiere práctica. Aquí están los patrones más comunes y lo que indican:
- Random dispers alrededor de cero con constante propagación – Patrón ideal. El modelo cumple con las suposiciones de linearidad y homoscedasticidad. Usted puede proceder con confianza en su inferencia.
- Forma de embudo (crecimiento de pan o disminución) – Heteroscedasticidad. La variabilidad de los errores depende del valor ajustado. Por ejemplo, en un modelo que predice ingresos, los ingresos más altos a menudo tienen mayor variabilidad. Los mínimos cuadrados ponderados o una transformación de registro de la respuesta pueden mitigar esto.
- Patrón curvado (por ejemplo, U-shape, U invertido) – No linealidad. El modelo no capta la verdadera relación. Trate de añadir términos polinomios, líneas de especias o predictores transformadores. La dirección curvatura le dice si el modelo está sistemáticamente bajo o sobreprediciendo en ciertos rangos.
- Borde de los aparadores lejos de la línea cero – Posibles errores de medición o casos inusuales. Use residuales estudiantilizados para marcar puntos con valor absoluto > 2.5 o 3. Investigar estos casos antes de decidir excluirlos.
- Puntos con alto apalancamiento y grandes residuos – Puntos de influencia que pueden cambiar drásticamente los coeficientes si se eliminan. Compruebe la distancia de Cook. Un solo punto influyente puede hacer o romper un modelo; la regresión robusta es a menudo una buena alternativa a la eliminación.
- Correlación en serie en residuos (por ejemplo, patrón alternado) – Para datos de series de tiempo, esto sugiere autocorrelación; considere agregar variables lagged o utilizar modelos autoregresivos. Un test de Durbin‐Watson puede cuantificar la correlación.
- Grupos o lagunas en los residuos – Indica que el modelo pierde una agrupación categórica. Considere agregar una variable factor para ese grupo o utilizar un modelo mixto. Por ejemplo, los residuos agrupados por sujeto en un estudio de medidas repetidas sugieren la necesidad de efectos aleatorios.
Siempre verifique patrones mirando múltiples parcelas juntas. Una parcela puede sugerir un problema que otra parcela refuta. Por ejemplo, algunos outliers en la parcela Q-Q pueden causar una forma de embudo en los residuos vs. parcela ajustada simplemente debido a su magnitud. De manera similar, la heteroscedasticidad puede producir un patrón curva falso si la varianza aumenta bruscamente con el medio.
Problemas y soluciones comunes
Cuando las parcelas residuales revelan violaciones, usted tiene varias opciones correctivas. A continuación detallamos soluciones para los problemas más frecuentes, ordenados de simples correcciones a técnicas más avanzadas.
No-Linearidad
Si ves un patrón curvado, considere:
- Añadiendo términos polinomios (por ejemplo, x2 o x3) o términos de interacción entre predictores numéricos. Comience con un término cuadrático — a menudo captura las formas más comunes de curvatura.
- Transformar la variable de respuesta (por ejemplo, log, raíz cuadrada, Box‐Cox) para linearizar la relación. Los cambios de registro son especialmente eficaces cuando la relación es multiplicativa.
- Cambiar a un modelo no lineal como modelos aditivos generalizados (GAMs) o usar líneas de especias (líneas cúbicas naturales, B-splines) para permitir ajustes flexibles sin especificar la forma exacta.
- Usando el conocimiento de dominio para sugerir una forma no lineal específica (por ejemplo, crecimiento exponencial, rendimientos disminuyentes). A veces una función teórica simple encaja mejor que un polinomio.
Heteroscedasticidad
Cuando la varianza no es constante, usted puede:
- Uso peso mínimo cuadrados para dar menos peso a las observaciones con mayor varianza. Los pesos son generalmente inversos a la varianza estimada en cada valor ajustado.
- Aplicar a transformación desestabilizadora a la respuesta (por ejemplo, registro de error multiplicativo, raíz cuadrada para los conteos de Poisson, arcsine para proporciones). La familia Box‐Cox puede guiar la elección.
- Compute heteroscedasticity‐consistent standard errors (HCSE, también llamado errores estándar robustos) para obtener inferencia válida sin fijar la varianza. Esto es una solución rápida si su interés primario es en pruebas de hipótesis en lugar de intervalos de predicción.
- Si está usando un modelo lineal con una distribución de errores no normal, considere un modelo lineal generalizado (GLM) con una familia adecuada (por ejemplo, Gamma para heteroscedasticidad proporcional a la media).
Puntos de influencia y de azufre
Para los más destacados:
- Investiga la fuente: ¿Es un error de entrada de datos? Si es así, corregir o eliminarlo. Si el outlier refleja un evento real pero raro, decida si debe ser modelado por separado.
- Use métodos de regresión robustos que adelgazan el peso bajo (por ejemplo, Huber o M-estimation). Estos métodos reducen automáticamente la influencia de los residuos extremos mientras todavía utilizan todos los datos.
- Considere la influencia a través de la distancia de Cook; retire puntos con distancia > 1 y vuelva a adaptarse. Alternativamente, utilice DFBETAS o DFFITS para ver cuánto cambia cada coeficiente.
- Aplicar un registro o una transformación de Box‐Cox para extraer valores extremos. Esto a menudo hace que los outliers menos influyentes sin descarte de datos.
Normacionalidad
Cuando los residuos se desvían de la normalidad:
- Aumentar el tamaño de la muestra – el Teorema de Límite Central ayuda con inferencia en muestras grandes. Con n > 200, incluso los residuos no normales a menudo producen intervalos de confianza confiables.
- Transforme la variable de respuesta para lograr la simetría. La transformación Box‐Cox puede sugerir un parámetro de potencia que hace los residuos más normales.
- Utilizar el arranque para intervalos de confianza y pruebas de hipótesis. El arranque no asume la normalidad y funciona bien incluso con los residuos esquejados, siempre que la muestra sea representativa.
- Cambie a un método de regresión no paramétrica (por ejemplo, bosques aleatorios, regresión cuantitativa) si la normalidad es crítica para sus objetivos de inferencia.
Correlación serial
Para los datos de la serie de tiempo, la autocorrelación residual viola la suposición de independencia.
- Añadiendo términos lagged de la respuesta o predictores como nuevas características.
- Utilizando modelos de media móvil integrado autoregresivo (ARIMA) en lugar de OLS.
- Emplear los mínimos cuadrados generalizados (GLS) con una estructura de correlación específica (por ejemplo, AR(1)).
- Diferenciar los datos para eliminar la tendencia y la estacionalidad antes de modelar.
Aplicación del software
Implementar parcelas residuales es simple en la mayoría de los entornos estadísticos. Aquí hay guías rápidas para herramientas comunes:
- R: Utilizar que produce cuatro parcelas estándar. Para más control, con del paquete le da la personalización completa. También puede utilizar el paquete para diagnóstico interactivo.
- Python: proporciona la función y . Con , usted debe calcular los residuos manualmente y trazar con . La biblioteca automatiza las parcelas residuales y hace que sea fácil generar gráficos diagnósticos.
- SPSS: Después de ejecutar la regresión lineal, compruebe el botón "Plots" en el diálogo Guardar. Seleccione ZRESID (resistente normalizado) contra ZPRED (valores normalizados predichos). También puede solicitar un histograma y un diagrama de probabilidad normal.
- Excel: Permite el complemento de Toolpak de Análisis. Ejecute la regresión, compruebe "Residuals" y "Plots Residuales". Consigue una trama de dispersión de valores residuales vs. predicho. Para tramas avanzadas, puede crear manualmente una parcela Q-Q usando la función NORM.S.INV.
- MATLAB: Use para un objeto modelo lineal . La función ofrece opciones para parcelas 'ajustadas', 'alineadas' y 'probabilidad'.
- SAS: En , especifique ] para obtener un panel de parcelas residuales. Alternativamente, use y luego para el control completo.
Independientemente del software, siempre inspeccionar las parcelas con un ojo crítico. Los algoritmos pueden producir parcelas, pero sólo usted puede interpretarlas en el contexto de sus datos y preguntas de investigación.
Conclusión
Las parcelas residuales son indispensables para validar los modelos de regresión. Proporcionan una retroalimentación rápida y visual sobre si las suposiciones básicas de su modelo tienen. Al aprender a identificar patrones comunes – dispersión aleatoria, embudos, curvas, outliers – puede diagnosticar problemas temprano y tomar acción correctiva. Revisar regularmente las parcelas residuales debe ser una parte estándar de cualquier flujo de trabajo de análisis de regresión, lo que conduce a resultados más precisos.
El análisis residual no es un paso a la vez; revisita tus parcelas cuando modifiques el modelo o añadas nuevos datos. Con el tiempo, desarrollarás una intuición para reconocer problemas sutiles que faltan los resúmenes numéricos. Los pocos minutos que se dedican a examinar los residuos pueden ahorrar días de perseguir hallazgos espurios o conclusiones incorrectas.
Para más lectura, consulte con los recursos autorizados, como el Notas del curso del estado de Penn 501, Grupo de Consultoría Estadística de la UCLA, o el texto clásico Modelos estadísticos lineales aplicados por Kutner et al. Para la orientación práctica sobre diagnósticos residuales en series temporales, véase Pronóstico: Principios y prácticas por Hyndman y Athanasopoulos. Los científicos de datos modernos también se benefician de los documentación de scikit-learn en diagnósticos de regresión lineal. Finalmente, el Guía de la Biblioteca de la Universidad de Virginia para las parcelas de diagnóstico ofrece ejemplos claros con código R. Haga que las parcelas residuales sean un hábito, y sus modelos le agradecerán.