ESCUELA SUPERIOR DE INFORMATICA
Prácticas de Estadística
Supuestos del modelo de regresión lineal
1. Linealidad. Si no se tiene linealidad se dice que tenemos un error de especificación.
En el caso de que sean varias variables independientes, la opción Analizar-Regresión-
Lineal-Gráficos-Generar todos los gráficos parciales nos da los diagramas de
dispersión parcial para cada variable independiente. En ellos se ha eliminado el efecto
proveniente de las otras variables y así la relación que muestran es la relación neta
entre las variables representadas.
2. Independencia de la variable aleatoria “residuos” (especialmente importante si los
datos se han obtenidos siguiendo una secuencia temporal).
Independencia entre los residuos mediante el estadístico de Durbin-Watson que toma valor 2
cuando los residuos son completamente independientes (entre 1.5 y 2.5 se considera que
existe independencia), DW<2 indica autocorrelación positiva y DW>2 autocorrelación
negativa
()
∑
∑
=
=
−
−
=n
ii
n
iii
e
ee
DW
1
2
2
2
1, 40
≤
≤
DW
3. Homocedasticidad o igualdad de varianzas de los residuos y los pronósticos. Esta
condición se estudia utilizando las variables: ZPRED=pronósticos tipificados y
ZRESID=residuos tipificados mediante:
• el estadístico de Levene (ver explorar)
• un gráfico de dispersión .Que se obtiene en Analizar-Regresión-Lineal-Gráficos.
El supuesto de homocedasticidad implica que la variación de los residuos sea uniforme en
todo el rango de valores de los pronósticos (gráfico sin pautas de asociación).
4. Normalidad de los residuos tipificados. Podemos contrastarla mediante:
• La prueba de Kolmogorff-Smirnov, con gráficos de normalidad de tipo Q-Q
(cuantiles) o P-P(proporciones) (ver explorar)
• gráficamente en Analizar-Regresión-Lineal-Gráficos . La opción
Histograma: añade una curva N(0,1)
Gráfico de Probabilidad Normal de tipo P-P: Representa las proporciones
acumuladas de la variable esperada respecto a las proporciones acumuladas de la
variable observada.
5. No-colinealidad, es decir la inexistencia de colinealidad. Esta puede ser:
colinealidad perfecta si una de las variables independientes tiene una relación lineal
con otra/as independientes,
colinealidad parcial si entre las variables independientes existen altas correlaciones
