Valores atípicos y puntos influyentes

Considere el diagrama de dispersión de los ingresos anuales frente a los años de escolaridad, ajustado con una línea de regresión.

Una persona con solo unos pocos años de escolaridad tiene un ingreso excepcionalmente alto en comparación con otras.

Un punto de datos de este tipo que no sigue la tendencia y está lejos de la línea de regresión en la dirección vertical se denomina valor atípico.

Cuantitativamente, los valores atípicos se pueden identificar utilizando residuos, que es la diferencia entre el valor y observado del punto de datos y el valor y predicho a partir de la ecuación de regresión.

Ahora, la desviación estándar del residuo se calcula utilizando su fórmula.

Como regla general, los puntos de datos ubicados al menos dos desviaciones estándar residuales por encima y por debajo de la línea de regresión se marcan como posibles valores atípicos.

Además, los conjuntos de datos también pueden tener puntos influyentes. Estos puntos se sitúan horizontalmente, alejados del resto de los puntos. La adición o eliminación de los puntos influyentes cambia significativamente la línea de regresión.