Ejercicios: Diagnóstico y límites del modelo
Los residuos para predicciones $1;2;3;4;5$ son $2;0;-2;0;2$. Describe el patrón y explica qué supuesto de la forma del modelo pondrías en duda. La figura representa los…
Los residuos para predicciones $1;2;3;4;5$ son $2;0;-2;0;2$. Describe el patrón y explica qué supuesto de la forma del modelo pondrías en duda.
La figura representa los datos del ejercicio:
Un gráfico de residuos se abre en abanico a medida que aumenta la predicción. ¿Qué propiedad indica y qué parte de la inferencia clásica puede verse afectada?
Un gráfico de residuos se abre en abanico a medida que aumenta la predicción. ¿Qué propiedad indica y qué parte de la inferencia clásica puede verse afectada?
Los residuos de días consecutivos muestran largas rachas del mismo signo. ¿Qué supuesto revisarías y por qué no lo resuelve una muestra grande?
Los residuos de días consecutivos muestran largas rachas del mismo signo. ¿Qué supuesto revisarías y por qué no lo resuelve una muestra grande?
Un dato tiene x muy alejada de las demás, pero residuo pequeño. ¿Puede tener alta palanca aunque no sea un atípico vertical?
Un dato tiene x muy alejada de las demás, pero residuo pequeño. ¿Puede tener alta palanca aunque no sea un atípico vertical?
Una prueba de normalidad residual da $p=0,30$. ¿Demuestra que los residuos son normales e independientes?
Una prueba de normalidad residual da $p=0,30$. ¿Demuestra que los residuos son normales e independientes?
Dos modelos tienen igual error medio, pero uno presenta residuos positivos para jóvenes y negativos para mayores. ¿Qué revela ese patrón que el promedio oculta?
Dos modelos tienen igual error medio, pero uno presenta residuos positivos para jóvenes y negativos para mayores. ¿Qué revela ese patrón que el promedio oculta?
Para un residuo de 6 y desviación residual 2, calcula el cociente simple $e/s$. ¿Es idéntico a un residuo studentizado que además ajusta la palanca?
Para un residuo de 6 y desviación residual 2, calcula el cociente simple $e/s$. ¿Es idéntico a un residuo studentizado que además ajusta la palanca?
Al retirar un sujeto, la pendiente cambia de $0,2$ a $1,8$. ¿Qué concepto describe esa sensibilidad y qué debe revisarse antes de excluirlo?
Al retirar un sujeto, la pendiente cambia de $0,2$ a $1,8$. ¿Qué concepto describe esa sensibilidad y qué debe revisarse antes de excluirlo?
En un modelo lineal, la suma de residuos es cero. Un informe concluye que no existen errores de predicción. Refuta con los residuos $-3;0;3$.
En un modelo lineal, la suma de residuos es cero. Un informe concluye que no existen errores de predicción. Refuta con los residuos $-3;0;3$.
Un modelo ajustado a edades de 20 a 40 tiene residuos adecuados en ese rango. ¿Garantiza que la predicción a los 80 sea válida?
Un modelo ajustado a edades de 20 a 40 tiene residuos adecuados en ese rango. ¿Garantiza que la predicción a los 80 sea válida?
Se transforman tiempos positivos mediante logaritmo porque su variabilidad crece con la media. Explica cómo cambia el objetivo interpretativo de una predicción al…
Se transforman tiempos positivos mediante logaritmo porque su variabilidad crece con la media. Explica cómo cambia el objetivo interpretativo de una predicción al invertir el logaritmo sin corrección.
Un estudio observa 50 personas en dos centros y sugiere errores estándar robustos a heterocedasticidad. ¿Resuelve eso por sí solo la dependencia dentro de centro?
Un estudio observa 50 personas en dos centros y sugiere errores estándar robustos a heterocedasticidad. ¿Resuelve eso por sí solo la dependencia dentro de centro?
Un gráfico cuantil–cuantil residual tiene colas más extremas que la normal, con $n=15$. Explica qué inferencia puede ser frágil y una revisión honesta, sin afirmar que…
Un gráfico cuantil–cuantil residual tiene colas más extremas que la normal, con $n=15$. Explica qué inferencia puede ser frágil y una revisión honesta, sin afirmar que todo análisis de medias sea inválido.
Para palanca en regresión simple, usa $h_i=1/n+(x_i-\bar x)^2/S_{xx}$. Con $n=10$, $\bar x=5$, $S_{xx}=50$, calcula h para $x_i=5$ y $x_i=10$.
Para palanca en regresión simple, usa $h_i=1/n+(x_i-\bar x)^2/S_{xx}$. Con $n=10$, $\bar x=5$, $S_{xx}=50$, calcula h para $x_i=5$ y $x_i=10$.
Se da el residuo estandarizado $r_i=e_i/[s\sqrt{1-h_i}]$. Para $e_i=2$, $s=2$ y $h_i=0,75$, calcúlalo y compáralo con $e_i/s$.
Se da el residuo estandarizado $r_i=e_i/[s\sqrt{1-h_i}]$. Para $e_i=2$, $s=2$ y $h_i=0,75$, calcúlalo y compáralo con $e_i/s$.
Se evalúan veinte modelos y se elige el menor error usando el conjunto que después se llama «test independiente». Explica la fuga de información y una solución de diseño.
Se evalúan veinte modelos y se elige el menor error usando el conjunto que después se llama «test independiente». Explica la fuga de información y una solución de diseño.
En un modelo con intercepto, $n=20$, la suma residual de cuadrados es 72 y hay dos parámetros. Al borrar sin justificación los dos mayores residuos, baja a 20. ¿Por qué…
En un modelo con intercepto, $n=20$, la suma residual de cuadrados es 72 y hay dos parámetros. Al borrar sin justificación los dos mayores residuos, baja a 20. ¿Por qué esa mejora no valida el modelo original ni garantiza mejor generalización?
La pendiente es estable al quitar un extremo, pero los IC clásicos y los robustos difieren mucho con heterocedasticidad. Distingue estabilidad del efecto estimado de…
La pendiente es estable al quitar un extremo, pero los IC clásicos y los robustos difieren mucho con heterocedasticidad. Distingue estabilidad del efecto estimado de estabilidad de su incertidumbre.