Du har letat – vi ger dig här svaret på frågan: ”Vad är residualanalys?”
Residualanalys är en statistisk metod för att utvärdera hur väl en prognosmodell passar verklig data. Den används för att analysera skillnaden mellan de faktiska observerade värdena och de värden som modellen förutsäger. Denna skillnad kallas residual:
Residual = Observerat värde – Predikterat värde
Syftet med residualanalys är att:
-
Upptäcka systematiska fel i modellen – t.ex. om modellen konsekvent överskattar eller underskattar vid vissa nivåer.
-
Avgöra om antagandena om modellens feltermer är uppfyllda, t.ex.:
-
- Normalfördelade residualer
- Konstant varians (homoskedasticitet)
- Oberoende fel (ingen autokorrelation)
Vanliga verktyg i residualanalys:
- Residualplot: Visar residualer mot förväntade värden – bör se slumpmässig ut om modellen är bra.
- Durbin-Watson-test: Mäter om det finns autokorrelation i residualerna, vanligt vid tidsserier.
- Histogram/NPP-plot: Visar om residualerna är normalfördelade.
- Breusch-Pagan-test eller White-test: Testar för heteroskedasticitet (dvs. om variansen i residualerna är konstant).
Kort sagt:
En modell med bra residualanalys har residualer som är slumpmässigt fördelade kring noll, utan mönster – vilket tyder på att modellen fångar verkligheten korrekt.
Vi använder residualanalys i våra prognosmodeller. Klicka här så får du veta mer.
