[14]Modelos estadísticos: explicar antes de predecir
Un modelo que se puede interrogar: ajustar una regresión, leer el efecto de cada variable y distinguir explicar de predecir.
Dos familias: explicar y predecir
La misma regresión, dos oficios: explicar qué mueve a qué o acertar un valor futuro. Elegir mal arruina el proyecto antes de la primera línea.
Regresión lineal con inferencia
Una recta es un efecto estimado con su incertidumbre al lado: ajustar una regresión con coeficiente, intervalo y p-valor, y aprender a leerla.
Cuando un coeficiente no significa nada
Dos variables parecidas y los coeficientes enloquecen: eso es colinealidad. Qué la provoca, cómo se detecta con el VIF y por qué arruina un modelo.
Regresión logística y el odds ratio
Cuando explicas un sí o un no la recta no sirve: la logística lo arregla con una curva en S, y su coeficiente se lee con el odds ratio.
Los supuestos y los residuos
El summary siempre tiene buena pinta aunque la recta mienta: leer los residuos como un diagnóstico que avisa donde el summary calla.
La misma regresión en scikit-learn
La misma recta en scikit-learn con fit y predict: el coeficiente coincide al céntimo, pero no hay p-valores ni intervalos, y entenderás por qué.