Un modelo de regresión ajustado utiliza los parámetros para generar predicciones de estimaciones puntuales, que son las medias de las respuestas observadas si se replicara el estudio con los mismos valores XX un número infinito de veces ( cuando el modelo lineal es verdadero ).
La diferencia entre estos valores previstos y los utilizados para ajustar el modelo se denominan " Residuos "que, al replicar el proceso de recogida de datos, tienen propiedades de variables aleatorias con media 0. Los residuos observados se utilizan para estimar posteriormente la variabilidad de estos valores y estimar la distribución muestral de los parámetros.
Nota:
Cuando el error estándar residual es exactamente 0, el modelo se ajusta perfectamente a los datos (probablemente debido a un exceso de ajuste).
Si no se puede demostrar que el error estándar residual es significativamente diferente de la variabilidad en la respuesta incondicional, entonces hay pocas pruebas para sugerir que el modelo lineal tiene alguna capacidad de predicción.
