10.5: Resumen
- Page ID
- 150060
\( \newcommand{\vecs}[1]{\overset { \scriptstyle \rightharpoonup} {\mathbf{#1}} } \) \( \newcommand{\vecd}[1]{\overset{-\!-\!\rightharpoonup}{\vphantom{a}\smash {#1}}} \)\(\newcommand{\id}{\mathrm{id}}\) \( \newcommand{\Span}{\mathrm{span}}\) \( \newcommand{\kernel}{\mathrm{null}\,}\) \( \newcommand{\range}{\mathrm{range}\,}\) \( \newcommand{\RealPart}{\mathrm{Re}}\) \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\) \( \newcommand{\Argument}{\mathrm{Arg}}\) \( \newcommand{\norm}[1]{\| #1 \|}\) \( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\) \( \newcommand{\Span}{\mathrm{span}}\) \(\newcommand{\id}{\mathrm{id}}\) \( \newcommand{\Span}{\mathrm{span}}\) \( \newcommand{\kernel}{\mathrm{null}\,}\) \( \newcommand{\range}{\mathrm{range}\,}\) \( \newcommand{\RealPart}{\mathrm{Re}}\) \( \newcommand{\ImaginaryPart}{\mathrm{Im}}\) \( \newcommand{\Argument}{\mathrm{Arg}}\) \( \newcommand{\norm}[1]{\| #1 \|}\) \( \newcommand{\inner}[2]{\langle #1, #2 \rangle}\) \( \newcommand{\Span}{\mathrm{span}}\)\(\newcommand{\AA}{\unicode[.8,0]{x212B}}\)
Ahora está en condiciones de emplear diagnósticos —tanto visuales como estadísticos— para evaluar los resultados de sus modelos estadísticos. Tenga en cuenta que, una vez que haya realizado las correcciones de su modelo, deberá regenerar y reevaluar los residuos del modelo para determinar si el problema ha sido mejorado. Piense en el diagnóstico como un proceso iterativo en el que utiliza los resultados del modelo para evaluar, diagnosticar, revisar la repetición y reevaluar su modelo. Aquí es donde ocurre el aprendizaje real, ya que desafías tu teoría (como se especifica en tu modelo) con datos observados. Entonces, ¡ten en ello!
- Nuevamente, asumimos solo que las medias de los errores extraídos de muestras repetidas de observaciones se distribuirán normalmente, pero a menudo encontraremos que los errores en una muestra en particular se desvían significativamente de una distribución normal. ↩
- Los politólogos que estudian la política electoral estadounidense han tenido que dar cuenta de observaciones inusuales en los estados del sur. El fracaso en el modelo para dar cuenta de estas diferencias conduciría a errores de predicción y patrones feos en los residuales. Tristemente, el profesor Gaddie señala que los académicos no han sido lo suficientemente cuidadosos, ¿o quizás bien entrenados? — para hacer esto bien. El profesor Gaddie señala: “... en lugar de trabajar para lograr una mejor especificación del modelo a través de la aplicación de la teoría y el pensamiento cuidadoso, en las décadas de 1960 y 1970 los estudiosos electorales en cambio simplemente tiraron al Sur y a todas las razas del Senado, creando la percepción de que Estados Unidos tenía 39 estados y un unicameral legislatura.” ↩
- Es de destacar que también se devuelven las observaciones 20, 30, y 90 y 1052. No parece haber nada especial en estas cuatro observaciones. Parte de esto puede deberse a la relación bivariada y a cómo la función
InflucencePlotpondera los datos. Los resultados se incluyen para su revisión. ↩