Research & Evidence

Buscar un método

Busca entre títulos, preguntas, territorios e identificadores MSC.

    ← Todos los métodos
    FICHA DE MÉTODOMSC-P-019Regresión y econometríaDosier científico verificado

    ¿Cómo diagnosticar una regresión de marketing antes de interpretarla?

    El diagnóstico examina forma funcional, residuos, heterocedasticidad, colinealidad, influencia, dependencia temporal y estabilidad fuera de muestra antes de leer los coeficientes.

    Redacción científica: Marketing Science Center

    Respuesta directa

    Determinar qué interpretaciones siguen siendo compatibles con los diagnósticos.

    El diagnóstico examina forma funcional, residuos, heterocedasticidad, colinealidad, influencia, dependencia temporal y estabilidad fuera de muestra antes de leer los coeficientes.

    Shmueli, 2010Arnold et al., 2020

    01

    Resumen operativo

    Pregunta científica y alcance

    ¿Cómo diagnosticar una regresión de marketing antes de interpretarla?

    Admisible

    Determinar qué interpretaciones siguen siendo compatibles con los diagnósticos.

    Prohibido

    Validar un modelo solo a partir de R².

    02

    Tres niveles de lectura

    1. 01

      Responsable — Conectar el resultado con una decisión, un umbral útil y un coste de error declarados.

    2. 02

      Profesional — Fijar población, unidad, horizonte, variables disponibles y regla de análisis antes del cálculo.

    3. 03

      Analista — Reproducir el cálculo, cuantificar la incertidumbre y documentar diagnósticos, fallos y sensibilidad.

    03

    Situación de marketing concreta

    El diagnóstico examina forma funcional, residuos, heterocedasticidad, colinealidad, influencia, dependencia temporal y estabilidad fuera de muestra antes de leer los coeficientes.

    04

    Pregunta científica y alcance

    ¿Cómo diagnosticar una regresión de marketing antes de interpretarla?

    Evidencia diagnóstica

    Datos necesarios

    Observación × residuo

    La población, la unidad de análisis, la fecha de origen y el horizonte deben declararse en el entregable. Sin ellos, el estimando cambia sin advertencia.

    05

    Por qué puede fallar un análisis simple

    • Validar un modelo solo a partir de R².
    • ¿Residuos, apalancamiento y distancia de Cook están definidos para el modelo y dependencia exactos?
    • ¿Se excluyó el holdout de toda selección de modelo y especificación?
    • ¿La sensibilidad al eliminar y reajustar cambia materialmente la cantidad decisional?

    06

    Intuición del método

    El método no convierte automáticamente una asociación en evidencia. Vincula una pregunta declarada con un estimando, una especificación, datos compatibles y una regla de interpretación limitada.

    Evidencia diagnóstica

    07

    Datos necesarios

    Diccionario de símbolos científicos

    r_i
    Residuo estandarizado de la observación o grupo i bajo el modelo declarado. Unidad: desviación estándar · Tipo: número · Función: diagnóstico
    h_i
    Apalancamiento de la observación o grupo i bajo la matriz de diseño declarada. Unidad: adimensional · Tipo: número en [0, 1] · Función: diagnóstico
    D_i
    Distancia de Cook de la observación o grupo i bajo el modelo declarado. Unidad: adimensional · Tipo: número no negativo · Función: diagnóstico
    RMSE_holdout
    Raíz del error cuadrático medio de predicción en observaciones excluidas del ajuste. Unidad: resultado · Tipo: número no negativo · Función: diagnóstico

    Entradas exactas y selladas del motor

    residual_mean
    Valor: 0.02 · Unidad: resultado · Tipo: número · Estado de los datos: sintético
    residual_sd
    Valor: 1.20 · Unidad: resultado · Tipo: número · Estado de los datos: sintético
    maximum_absolute_standardized_residual
    Valor: 2.40 · Unidad: adimensional · Tipo: número · Estado de los datos: sintético
    maximum_leverage
    Valor: 0.08 · Unidad: adimensional · Tipo: número · Estado de los datos: sintético
    maximum_cooks_distance
    Valor: 0.06 · Unidad: adimensional · Tipo: número · Estado de los datos: sintético
    sample_size
    Valor: 100 · Unidad: observación · Tipo: entero · Estado de los datos: sintético
    parameter_count
    Valor: 5 · Unidad: parámetro · Tipo: entero · Estado de los datos: parámetro declarado
    cluster_count
    Valor: 30 · Unidad: grupo · Tipo: entero · Estado de los datos: sintético
    holdout_rmse
    Valor: 1.35 · Unidad: resultado · Tipo: número · Estado de los datos: sintético

    08

    Modelo formal

    Modelo formal

    Report residual_mean, residual_sd, maximum_absolute_standardized_residual, maximum_leverage, maximum_cooks_distance, cluster_count and holdout_rmse; infer influence only after case-deletion or cluster-deletion refit sensitivity

    Afirmaciones respaldadas: MSC-P019-C01 · MSC-P019-C02 · MSC-P019-C03 · MSC-P019-C04 · MSC-P019-C05

    Pregunta científica y alcance

    Evidencia diagnóstica

    09

    Cálculo declarado

    1. 01

      Fijar modelo, definición residual, estructura de grupos y partición holdout antes de inspeccionar extremos.

    2. 02

      Informar media/DE residual, máximo residuo estandarizado absoluto, apalancamiento, distancia de Cook y RMSE holdout sin umbrales universales.

    3. 03

      Exigir reajuste eliminando caso/grupo y sensibilidad de la cantidad decisional antes de llamar influyente a un punto.

    10

    Ejemplo numérico o caso de aplicación

    Ilustración sintética — valores didácticos, no observados — datos sintéticos o parámetros declarados; ninguna observación real

    Entradas selladas

    • residual_mean=0.02 [resultado]
    • residual_sd=1.20 [resultado]
    • maximum_absolute_standardized_residual=2.40 [adimensional]
    • maximum_leverage=0.08 [adimensional]
    • maximum_cooks_distance=0.06 [adimensional]
    • sample_size=100 [observación]
    • parameter_count=5 [parámetro]
    • cluster_count=30 [grupo]
    • holdout_rmse=1.35 [resultado]

    Resultados reproducibles

    • descriptive_max_standardized_residual=2.4
    • descriptive_max_leverage=0.08
    • descriptive_max_Cook_D=0.06
    • holdout_RMSE=1.35

    Dosier verificado: afirmaciones vinculadas a fuentes a nivel de pasaje, cálculo Python/R reproducido, límites explícitos y revisión científica independiente completada.

    11

    Supuestos de validez

    • ¿Residuos, apalancamiento y distancia de Cook están definidos para el modelo y dependencia exactos?
    • ¿Se excluyó el holdout de toda selección de modelo y especificación?
    • ¿La sensibilidad al eliminar y reajustar cambia materialmente la cantidad decisional?

    12

    Diagnósticos e incertidumbre

    Diagnósticos e incertidumbre

    ¿Residuos, apalancamiento y distancia de Cook están definidos para el modelo y dependencia exactos? · ¿Se excluyó el holdout de toda selección de modelo y especificación? · ¿La sensibilidad al eliminar y reajustar cambia materialmente la cantidad decisional?

    Diagnóstico acotado

    Inspección descriptiva sin umbral universal; concluir influencia requiere sensibilidad al reajuste por eliminación.

    Contrato explícito de incertidumbre · not_estimable_from_sealed_inputs

    Método: Evaluación explícita de no estimabilidad frente al esquema de entradas sellado.

    Objetivo: Incertidumbre y sensibilidad decisional de los diagnósticos de regresión.

    Evidencia del motor: diagnostic=descriptive_inspection_only_no_universal_cutoff_influence_conclusion_requires_case_deletion_refit_sensitivity

    Interpretación: Los extremos sellados y un único RMSE holdout no aportan distribuciones de reajuste; se requieren reajustes por eliminación.

    Detenerse si

    Validar un modelo solo a partir de R².

    13

    Interpretación del resultado

    • Determinar qué interpretaciones siguen siendo compatibles con los diagnósticos.
    • El resultado está condicionado por la población, el horizonte, la especificación y los controles declarados. No debe extenderse a otra decisión sin nueva justificación.

    14

    Conclusión admisible y prohibida

    Admisible

    Determinar qué interpretaciones siguen siendo compatibles con los diagnósticos.

    Prohibido

    Validar un modelo solo a partir de R².

    15

    Decisión de marketing posible

    1. 01

      Determinar qué interpretaciones siguen siendo compatibles con los diagnósticos.

    2. 02

      El resultado está condicionado por la población, el horizonte, la especificación y los controles declarados. No debe extenderse a otra decisión sin nueva justificación.

    16

    Cuándo usar — cuándo detenerse

    Usar si

    Determinar qué interpretaciones siguen siendo compatibles con los diagnósticos.

    Observación × residuo

    Detenerse si

    Validar un modelo solo a partir de R².

    Alternativas metodológicas

    • Usar regresión robusta y comparar cantidades decisionales bajo especificaciones alternativas.
    • Usar reajuste eliminando grupos o leave-one-group-out con dependencia agrupada.
    • Usar gráficos residuales y pruebas de falsación específicas del dominio en vez de umbrales numéricos universales.

    17

    Contrato de reproducibilidad

    Python y R son las referencias ejecutables. SPSS y SAS siguen siendo sintaxis secundarias hasta verificarse con los mismos datos, especificación y diagnósticos.

    El motor selecciona únicamente el segmento y la rama explícita de esta página. Su hash, salidas y diagnósticos quedan sellados en el expediente atómico; no se permite ninguna rama genérica de respaldo.

    Huella del segmento: fe38d763c26218df98d157e806962f0ec5f9b9a4baeca89b39123cc1db00b769

    Modelo formal

    Report residual_mean, residual_sd, maximum_absolute_standardized_residual, maximum_leverage, maximum_cooks_distance, cluster_count and holdout_rmse; infer influence only after case-deletion or cluster-deletion refit sensitivity

    Dosier verificado: afirmaciones vinculadas a fuentes a nivel de pasaje, cálculo Python/R reproducido, límites explícitos y revisión científica independiente completada.

    18

    Entregable final esperado

    1. 01

      ¿Cómo diagnosticar una regresión de marketing antes de interpretarla? — Observación × residuo

    2. 02

      r_i · h_i · D_i · RMSE_holdout

    3. 03

      Report residual_mean, residual_sd, maximum_absolute_standardized_residual, maximum_leverage, maximum_cooks_distance, cluster_count and holdout_rmse; infer influence only after case-deletion or cluster-deletion refit sensitivity

    4. 04

      ¿Residuos, apalancamiento y distancia de Cook están definidos para el modelo y dependencia exactos? · ¿Se excluyó el holdout de toda selección de modelo y especificación? · ¿La sensibilidad al eliminar y reajustar cambia materialmente la cantidad decisional?

    5. 05

      Determinar qué interpretaciones siguen siendo compatibles con los diagnósticos. / Validar un modelo solo a partir de R².

    19

    Fuentes científicas y estado de la evidencia

    Dosier verificado: afirmaciones vinculadas a fuentes a nivel de pasaje, cálculo Python/R reproducido, límites explícitos y revisión científica independiente completada.

    1. MSC-P019-C01 — La precisión predictiva debe evaluarse en observaciones excluidas del ajuste.
    2. MSC-P019-C02 — Ajustar una regresión no establece por sí mismo un diseño causal.
    3. MSC-P019-C03 — Los diagnósticos de influencia se dirigen a observaciones o grupos bajo el modelo declarado.
    4. MSC-P019-C04 — Los diagnósticos por eliminación dependen de la unidad observacional retirada.
    5. MSC-P019-C05 — La distancia de Cook es un diagnóstico de influencia, no un veredicto de validez del modelo.
    1. Shmueli, 2010
    2. Arnold et al., 2020
    3. Zhu, Ibrahim & Cho, 2012

    Conexiones metodológicas

    Territorio principalModelos de respuesta de marketing: forma, retardo y saturación

    Leer después

    MSC-P-018Regresión predictiva o causal: ¿qué se intenta estimar?→MSC-P-022¿Cómo estimar la elasticidad-precio y su incertidumbre?→MSC-P-026Logit vs Probit: ¿cómo elegir para una probabilidad de compra?→