Em um modelo de regressão, o valor ajustado ŷ representa aquilo que a equação consegue explicar para uma observação. O resíduo é a diferença entre o valor observado e o ajustado: e = y − ŷ. Por definição, ele é o pedaço da observação que ficou fora da explicação do modelo.
Por isso a análise de resíduos é tão poderosa. Não estamos apenas procurando “erros pequenos”. Estamos perguntando se os erros são compatíveis com ruído sem estrutura ou se formam padrões que denunciam curvatura, variância não constante, dependência temporal, grupos ocultos ou observações influentes.
Como seria um conjunto de resíduos saudável?
Em um modelo linear clássico adequadamente especificado, espera-se que os resíduos oscilem ao redor de zero sem padrão sistemático, tenham variância aproximadamente constante e não mostrem dependência entre observações. A normalidade dos erros é relevante sobretudo para inferência exata em amostras pequenas; ela não é requisito para que a reta de mínimos quadrados exista.
Curvatura nos resíduos: a reta não capturou a estrutura
Se resíduos são predominantemente positivos nas extremidades e negativos no centro, o padrão sugere curvatura. Adicionar um termo quadrático pode ser justificável, mas não deve ser automático. A primeira pergunta é física: há mecanismo plausível para uma relação curva?
Transformações de X ou Y, termos polinomiais e modelos não lineares são alternativas. A escolha deve preservar interpretabilidade e evitar sobreajuste.
Funil: heterocedasticidade
Se a amplitude dos resíduos cresce conforme os valores ajustados aumentam, a variância do erro não é constante. Isso é comum em custos, vendas, tempos e fenômenos onde a variabilidade cresce com a escala.
Consequências: erros-padrão convencionais podem ficar incorretos, intervalos de confiança enganosos e previsões desbalanceadas. Estratégias incluem transformar a resposta, modelar a variância, usar erros-padrão robustos ou empregar métodos ponderados quando houver fundamento.
Resíduos no tempo: independência precisa ser investigada
Dados de processo frequentemente são coletados sequencialmente. Se um erro positivo tende a ser seguido por outro positivo, existe estrutura temporal que a regressão simples não capturou. Autocorrelação reduz a quantidade de informação independente contida na amostra e pode tornar testes excessivamente otimistas.
Antes de usar regressão em séries temporais, faça um gráfico dos resíduos na ordem de coleta. Mudanças de turno, lote, operador, equipamento, sazonalidade e manutenção podem criar padrões evidentes.
Outlier residual: diferente em Y
O white paper do Minitab estudado na biblioteca Struckel usa resíduos padronizados com valor absoluto superior a 2 como sinal de investigação. O próprio documento alerta que alguns pontos podem ultrapassar esse limiar por acaso. A regra correta é investigar, não apagar.
É erro de digitação? Falha do sistema de medição? Causa especial? Mudança legítima de regime? Evento raro que precisamos justamente compreender? A decisão sobre o ponto depende da causa, não do desconforto estatístico que ele produz.
Leverage: diferente em X
Uma observação pode ter resíduo pequeno e ainda ser extremamente influente se ocupa uma região rara do espaço de X. Leverage mede essa posição geométrica. No procedimento descrito pelo Minitab, valores acima de 3p/n são sinalizados para revisão, em que p é o número de coeficientes e n o tamanho amostral.
Um ponto de alto leverage pode determinar inclinação ou curvatura do modelo. A questão gerencial é se aquela região de X representa o processo onde o modelo será usado.
Influência combina posição e discrepância
Medidas como distância de Cook avaliam quanto o ajuste mudaria se uma observação fosse removida. Isso não significa que a observação deva ser removida; significa que o resultado depende fortemente dela. Dependência elevada exige interpretação e, idealmente, dados adicionais.
Normalidade: teste formal não substitui diagnóstico
Em regressão, a normalidade dos erros está ligada à validade exata de inferências paramétricas sob certas condições. Amostras maiores podem tornar testes relativamente robustos a desvios moderados, como mostram as simulações do white paper do Assistente. Ainda assim, caudas pesadas, assimetrias extremas ou mistura de populações podem apontar problemas substantivos.
Um gráfico Q-Q é normalmente mais informativo do que usar um teste de normalidade como semáforo. Em grandes amostras, testes detectam desvios minúsculos; em pequenas, podem não detectar desvios relevantes.
Exemplo industrial: temperatura e percentual de defeitos
Suponha que uma regressão indique queda de defeitos com aumento de temperatura. R²=0,72 e p<0,001 parecem convincentes. Ao plotar resíduos na ordem temporal, surge um degrau exatamente após uma manutenção. Isso indica que a manutenção — ou algo ocorrido simultaneamente — pode estar confundindo a relação.
Ao colorir os pontos por período antes/depois, aparecem duas nuvens. O problema deixou de ser “qual é a inclinação da reta?” e passou a ser “estamos misturando dois regimes de processo?”. Essa é a contribuição do diagnóstico: mudar a pergunta antes que a equação mude a fábrica.
Roteiro de diagnóstico
- Resíduos × valores ajustados: procure curva e funil.
- Resíduos × cada X: procure estrutura omitida.
- Resíduos × tempo/ordem: procure dependência e mudança de regime.
- Q-Q plot: avalie forma da distribuição.
- Resíduos padronizados: identifique observações discrepantes.
- Leverage: identifique X extremos.
- Influência: avalie quanto o ajuste depende de poucos pontos.
- Estratifique por turno, lote, equipamento, cliente ou família quando houver hipótese de subpopulações.
- Repita o diagnóstico depois de qualquer modificação do modelo.
Resíduos como ferramenta de Analyze
No DMAIC, regressão é frequentemente usada para testar relações entre X potenciais e Y. O resíduo é o que ainda ficou sem explicação. Se os resíduos mantêm estrutura, há informação disponível para a próxima hipótese. Nesse sentido, um bom diagnóstico não é burocracia estatística: é um mapa das causas que o modelo ainda não capturou.
Nota metodológica
Os princípios seguem modelos lineares por mínimos quadrados. Os limiares de resíduos padronizados e leverage mencionados são apresentados como critérios de triagem do procedimento documentado pelo Assistente do Minitab; a Struckel os utiliza como sinais para investigação, não como regras mecânicas de exclusão.
Ferramenta ajuda a executar. Método ajuda a transformar.
Se o desafio deixou de ser apenas entender um conceito e passou a envolver processo, indicadores, variabilidade, governança ou projeto de melhoria, a Struckel pode estruturar a jornada com sua equipe.