1



1.2 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, laopción Analizar-Regresión- Lineal-Gráficos-Generar todos los gráficos parciales nos dan los diagramas de dispersión parcial para cada variable independiente. En ellos se ha eliminado elefecto
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” (especialmenteimportante 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 completamenteindependientes (entre 1.5 y 2.5 se considera que existe independencia), DW<2 indica auto correlación positiva y DW>2 auto correlación negativa
n
∑ (ei − ei −1 )
DW = i =2,
∑ ei
0 ≤ DW ≤ 4
2

i =1


3. Homocedasticidad o igualdad de varianzas de los residuos y los pronósticos. Esta condición se estudia utilizando las variables: ZPRED=pronósticos tipificados yZRESID=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 implicaque 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 contrastarlamediante:
• 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 . Laopción
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...