Gráficos de resíduos explicados: como checar as suposições de um modelo de regressão

Você ajustou um modelo de regressão, o R^² parece bom e os coeficientes fazem sentido. Mas uma tabela de resumo bonita pode esconder um modelo mal especificado. Um gráfico de dispersão costuma flagrar o que os números deixam passar: o gráfico de resíduos.

Este artigo explica o que são gráficos de resíduos, como lê-los, os padrões que vale a pena conhecer e como criar um em Python e R. A maioria dos iniciantes pula essa etapa de diagnóstico. Depois de ler, você não vai pular.

O que é um gráfico de resíduos?

Um resíduo é a diferença entre o que seu modelo previu e o que de fato aconteceu: resíduo = observado − previsto. Um gráfico de resíduos coloca essas diferenças em evidência. O eixo x mostra os valores previstos (ajustados) ou uma variável explicativa; o eixo y mostra os resíduos. Uma linha horizontal de referência fica em zero, representando previsão perfeita.

Dispersão aleatória em torno de zero: um gráfico de resíduos saudável. Imagem do autor. 

A ideia central: se o seu modelo capturou bem o relacionamento, os resíduos devem parecer ruído. Espalhados aleatoriamente em torno de zero, sem padrão evidente. No momento em que aparece um formato, seu modelo está dizendo algo que os coeficientes, sozinhos, não conseguiram.

Como interpretar um gráfico de resíduos

Procure padrões. No ideal, não deve haver nenhum evidente. Essa é a regra geral. O que a posição, a dispersão e o formato dos resíduos revelam é onde a análise fica interessante.

Posição: a dispersão está centrada em zero?

Resíduos acima de zero em algumas faixas de valores ajustados e abaixo em outras indicam viés no modelo. Ele está superestimando ou subestimando de forma consistente em certas regiões. Isso costuma apontar para uma variável ausente ou uma relação não linear que um modelo de linha reta não capta.

Dispersão: a variância fica mais ou menos constante?

Examine da esquerda para a direita. Se a amplitude dos resíduos é aproximadamente a mesma em todos os valores ajustados, é um bom sinal. Se os pontos se abrem em leque à medida que os valores ajustados aumentam, a variância está mudando. Isso se chama heterocedasticidade. Ela não estraga as estimativas dos coeficientes, mas torna os erros-padrão pouco confiáveis, o que importa se você estiver fazendo algum teste de hipótese.

Formato: há uma curva ou tendência?

Plano e sem padrão é o ideal. Um formato em U ou arco indica que falta um termo não linear no modelo. Agrupamentos ou faixas sugerem subgrupos que o modelo está tratando como um só. Um ponto isolado muito distante dos demais merece investigação.

Padrões comuns em gráficos de resíduos e o que significam

Quatro padrões em gráficos de resíduos que sinalizam problemas no modelo. Imagem do autor.

Dispersão aleatória em torno de zero

O cenário bom. Pontos distribuídos de forma razoavelmente uniforme acima e abaixo da linha zero, sem tendência perceptível, geralmente indicam que o modelo está capturando bem a relação. Um pouco de aleatoriedade é esperado.

Padrão curvo

Um padrão curvo ou em arco geralmente indica uma relação não linear não modelada. O modelo está ajustando uma linha reta a dados que se curvam. A correção típica é adicionar um termo polinomial (como x^²) ou aplicar uma transformação ao preditor. Esse é um dos padrões mais comuns na prática, especialmente em casos como preços de imóveis ou crescimento biológico.

Formato de funil ou leque

Resíduos que se espalham mais à medida que os valores ajustados aumentam: isso é heterocedasticidade, a variância não é constante. Comum em dados financeiros, nos quais os erros de previsão naturalmente crescem com a magnitude do resultado. Uma transformação logarítmica da variável resposta costuma ser um bom primeiro passo; mínimos quadrados ponderados é outra opção.

Agrupamentos ou grupos

Grupos distintos no gráfico de resíduos geralmente significam que os dados contêm subpopulações que o modelo não está considerando. Provavelmente existe uma variável categórica (região, grupo de tratamento, tipo de produto) que deveria entrar no modelo. Se você vir duas ou três faixas bem definidas de pontos, comece por aí.

Resíduos grandes e isolados

Um ponto sozinho, distante do restante, merece atenção. Pode ser um outlier genuíno, um erro de digitação ou uma observação com características incomuns. Não apague automaticamente. Primeiro entenda. Manter ou remover depende do contexto, não da conveniência.

Para cada um desses padrões, o gráfico de resíduos aponta um sintoma, não um diagnóstico. Ele avisa que algo está fora do lugar; você ainda precisa descobrir o porquê.

Quais suposições da regressão os gráficos de resíduos conseguem verificar?

Com os padrões em mente, vale esclarecer quais suposições da regressão um gráfico de resíduos pode ou não avaliar.

• Linearidade: se a relação entre preditores e resposta é realmente linear, os resíduos não devem mostrar tendência quando plotados contra os valores ajustados. Uma curva ou arco é um sinal visual direto de que a linearidade não está se sustentando.
• Variância constante: o padrão em funil é exatamente a cara da heterocedasticidade. Se a dispersão aumenta com os valores ajustados, a variância igual é violada. O gráfico de resíduos vs. ajustados é provavelmente a ferramenta mais comum para detectar isso.
• Independência: se suas observações têm alguma ordem natural (tempo, espaço, clusters por sujeito), você pode plotar resíduos contra essa ordem para checar padrões. Resíduos com tendência em um gráfico ordenado no tempo sugerem autocorrelação. Um gráfico simples de resíduos vs. ajustados nem sempre revela isso; às vezes é preciso um gráfico dedicado de resíduos vs. ordem.
• Outliers e observações influentes: resíduos grandes e isolados sinalizam observações que o modelo prevê mal. Para influência especificamente, observações que puxam desproporcionalmente a linha de regressão, o gráfico de resíduos vs. alavancagem (leverage) é mais informativo do que o gráfico básico de resíduos.

Uma coisa que os gráficos de resíduos não conseguem avaliar de forma confiável é a normalidade. Um gráfico plano de resíduos vs. ajustados não confirma que os erros são normalmente distribuídos. Para isso, você precisa de um gráfico Q-Q. Essa é uma fonte comum de confusão e vale manter claro.

Como criar um gráfico de resíduos em Python

O fluxo padrão usa scikit-learn para ajustar o modelo e calcular resíduos, e matplotlib para visualizá-los. Aqui vai um exemplo completo usando regressão linear simples em dados de habitação:

import numpy as np
import matplotlib.pyplot as plt
from sklearn.linear_model import LinearRegression

# Sample data: square footage predicting home price
sqft = np.array([800, 1000, 1200, 1500, 1800, 2000, 2200, 2500, 3000, 3500])
price = np.array([150, 180, 210, 260, 300, 330, 370, 420, 500, 560])

# Reshape for sklearn and fit the model
X = sqft.reshape(-1, 1)
model = LinearRegression()
model.fit(X, price)

# Generate predictions and calculate residuals
predicted = model.predict(X)
residuals = price - predicted

# Plot residuals against fitted values
plt.figure(figsize=(8, 5))
plt.scatter(predicted, residuals, color='steelblue', edgecolors='white', s=80)
plt.axhline(y=0, color='red', linestyle='--', linewidth=1.2)
plt.xlabel('Fitted Values')
plt.ylabel('Residuals')
plt.title('Residual Plot')
plt.tight_layout()
plt.show()

A linha-chave é residuals = price - predicted. A chamada axhline() adiciona a linha de referência em zero; sem ela, a leitura do gráfico fica bem mais difícil. Se a saída parecer sem padrão, você está em um caminho razoável. Note que os resíduos aumentam em valores ajustados mais altos. Com apenas 10 pontos é difícil ter certeza, mas isso sugere o tipo de formato em leque que comentamos.

Para se aprofundar em regressão com Python, nosso curso Introduction to Regression with statsmodels in Python mostra em detalhe ajuste de modelos, checagem de suposições e interpretação.

Como criar um gráfico de resíduos em R

O R facilita um pouco isso nativamente. Depois que você ajusta um modelo com lm(), a função plot() já gera um painel diagnóstico completo, incluindo o gráfico de resíduos vs. ajustados, automaticamente.

# Same housing data in R
sqft <- c(800, 1000, 1200, 1500, 1800, 2000, 2200, 2500, 3000, 3500)
price <- c(150, 180, 210, 260, 300, 330, 370, 420, 500, 560)

# Fit the model and view diagnostics
housing_model <- lm(price ~ sqft)
plot(housing_model, which = 1) # which = 1 gives residuals vs. fitted

O argumento which = 1 exibe apenas o gráfico de resíduos vs. ajustados. Se você o omitir, verá os quatro gráficos diagnósticos padrão: resíduos vs. ajustados, Q-Q, escala-localização e resíduos vs. alavancagem. Útil quando você quer uma visão completa rapidamente. O R também anota os três pontos mais extremos pelo índice, poupando você de caçar outliers manualmente.

Para um passo a passo completo de regressão em R, nosso curso Introduction to Regression in R cobre construção de modelos e diagnósticos desde o início.

Gráficos de resíduos vs. outros gráficos diagnósticos de regressão

O gráfico de resíduos vs. ajustados é o ponto de partida, não o quadro completo. Alguns gráficos relacionados respondem a perguntas diferentes.

Gráfico de resíduos vs. gráfico Q-Q

O gráfico de resíduos vs. ajustados verifica linearidade e variância constante. O gráfico Q-Q verifica normalidade, isto é, se os resíduos seguem uma distribuição normal. São perguntas diferentes. Um gráfico de resíduos “limpo” não garante normalidade, e um gráfico Q-Q não diz nada sobre a variância. Em geral, você quer os dois.

Dois gráficos diferentes, duas perguntas diferentes sobre o seu modelo. Imagem do autor.

Gráfico de resíduos vs. gráfico escala-localização

O gráfico escala-localização (também chamado de spread-location) plota a raiz quadrada dos resíduos padronizados absolutos contra os valores ajustados. Ele é projetado para detectar heterocedasticidade e muitas vezes deixa o padrão em funil mais fácil de ver do que o gráfico de resíduos bruto, pois remove o sinal dos resíduos e foca totalmente na dispersão.

Gráfico de resíduos vs. gráfico de resíduos vs. alavancagem

Alavancagem (leverage) mede quão incomuns são os valores dos preditores de uma observação, não o quão mal o modelo a prevê. Alavancagem alta combinada com resíduo grande pode indicar observação influente. O gráfico de resíduos vs. alavancagem identifica essas combinações e geralmente destaca os pontos mais problemáticos pelo nome. Se você está preocupado com observações influentes distorcendo o modelo, confira esse gráfico.

O que fazer quando um gráfico de resíduos mostra um problema

Um gráfico de resíduos é um diagnóstico, não um veredito. Ver um padrão não significa que o modelo é inútil. Veja como os padrões comuns se conectam a próximos passos:

• Padrão curvo: considere adicionar um termo polinomial ou transformar um preditor. Uma transformação log de x ou um termo x² frequentemente resolve.
• Formato de funil: tente uma transformação logarítmica ou raiz quadrada da variável resposta. Se não funcionar, mínimos quadrados ponderados reduzem a influência das observações mais ruidosas.
• Resíduos grandes e isolados: investigue a observação. Verifique primeiro erros de digitação. Se o ponto for legítimo, avalie se seu modelo precisa considerar o que o torna incomum.
• Agrupamentos ou grupos: procure uma variável categórica que você não incluiu. Modelos separados por subgrupo às vezes são a melhor resposta.

O gráfico de resíduos mostra sintomas. Ele não aponta a causa exata, e um único padrão pode ter múltiplas explicações. Use-o como um convite para fazer perguntas melhores.

Erros comuns ao ler gráficos de resíduos

• Esperar um gráfico perfeitamente aleatório: Dados reais são bagunçados. Alguns pontos fora da curva, leve assimetria, algum agrupamento nos extremos: isso é normal. A questão não é se o gráfico é perfeitamente aleatório; é se há um padrão sistemático que um modelo melhor eliminaria.
• Tratar todo outlier como dado ruim: um resíduo grande significa que o modelo previu mal aquela observação. Não significa que a observação esteja errada. Às vezes, o outlier é o ponto mais interessante do conjunto. Só remova depois de entender o que é.
• Assumir que um gráfico de resíduos prova normalidade: não prova. Um gráfico de resíduos vs. ajustados informa sobre linearidade e variância constante. Normalidade exige um gráfico Q-Q. Esses dois diagnósticos se complementam, não se substituem.
• Olhar o gráfico sem considerar o contexto: um gráfico de resíduos de um modelo de séries temporais precisa ser lido de forma diferente de um conjunto de dados seccionais. O que é um padrão preocupante depende da estrutura dos dados, do tamanho da amostra e do uso do modelo. Um padrão que vale corrigir em um modelo de previsão pode ser ignorável em uma análise exploratória.

Conclusão

Ajustar um modelo, conferir o resumo, ficar feliz com o R^²: é aqui que muita gente para. O gráfico de resíduos é o que você olha depois disso, e ele frequentemente conta outra história. Dispersão aleatória em torno de zero é o que você quer. Curvas, funis, agrupamentos e pontos extremos e isolados sugerem coisas que o modelo não considerou.

Nenhum gráfico sozinho dá o quadro completo. Combine o gráfico de resíduos vs. ajustados com um gráfico Q-Q para normalidade, um gráfico escala-localização para variância e um gráfico de alavancagem se houver preocupação com observações influentes. Cada um responde a uma pergunta diferente.

Se quiser ir além, nosso curso Intermediate Regression with statsmodels in Python aprofunda a checagem de suposições, incluindo como agir quando os diagnósticos sinalizam um problema. Para uma base mais ampla em suposições de regressão e avaliação de modelos, nosso tutorial Assumptions of Linear Regression in Python é a próxima leitura natural.