Hola comunidad,
En el análisis de residuos, evalúo la normalidad y la varianza constante con los gráficos predeterminados dados en el análisis de regresión. Sin embargo, me preguntaba de qué manera podría probar la varianza constante con una prueba que me permita tener una especie de valor p que haga que la situación sea más precisa que mirar los gráficos.
Puedo hacerlo por normalidad, pero aún no por la variación de constancia.
Por ejemplo, para la normalidad, obtengo la trama:
Puedo dar algunas conclusiones de forma visual, pero también me gusta tener una descripción más precisa de la situación y por eso, guardo los residuales y usando la plataforma de distribución (fit normal) puedo obtener:
El test de shapiro-wilk me permite evaluar (además de la evaluación visual) la normalidad de mis residuales.
Ahora estoy buscando hacer algo similar (hacer una prueba) para la varianza de constancia de los residuos además de la gráfica residual vs predicha (que agrego aquí a continuación)
Sé que en el caso de realizar un Anova en la plataforma "fit y by x", existe la posibilidad de evaluar la varianza de constancia con el "test de Lavene", pero en mi caso no he podido hacerlo después de graficar en esta plataforma. mis residuos guardados y valores predichos guardados.
¿Sabe si hay alguna forma, además del gráfico, de probar la varianza de constancia de mis residuos?
Gracias por cualquier ayuda,
Julian
Creo que encontré un buen tutorial del profesor Parris para hacer esto:
Diagnóstico de regresión mediante JMP: igualdad de varianza de errores (youtube.com)
Aparte de la prueba solicitada, su gráfico residual sugiere falta de ajuste. ¿Podría haber un efecto no lineal en los residuos?
Gracias @Mark_Bailey por tu comentario.
¿Observaste esto en el gráfico de residuos por predicción o en el gráfico de residuos por cuartiles normales?
¿Observaste esto en el gráfico de residuos por predicción o en el gráfico de residuos por cuartiles normales?
El gráfico de residuos predichos muestra un patrón de curvatura. Esto es una prueba contundente de que no se respeta uno de los supuestos en los que se basa el uso de la regresión lineal (los errores deben distribuirse normalmente con un patrón aleatorio, consulte Supuestos del modelo de regresión | Introducción a la estadística ) y de que es posible que falten algunos efectos en el modelo: efectos cuadráticos (o términos de orden superior) o cualquier término que introduzca una curvatura en la relación entre la respuesta y los factores, como los términos de interacción.
Ver más en las publicaciones relacionadas:
Interpretación relacionada con el modelo de respuesta (MSR)
¿Cómo puedo saber si el modelo lineal o el modelo de regresión no lineal se ajusta a mis variables?
Gracias @Victor_G por tu respuesta,
De hecho, realicé la verificación de los residuos y realicé una transformación de caja-Cox que mejoró la situación. Realmente no puedo agregar más términos ya que teníamos un caso bastante simple sin demasiados grados de libertad.
Sin embargo, tu mensaje me permitió ver el punto del comentario de @Mark_Bailey . Olvidaba que las interacciones y los términos cuadráticos aportan esa no linealidad al modelo si se agregan después de la verificación de los residuos. Un descuido tonto de mi parte : S
