Biorąc pod uwagę jedynie przedstawiony wykres reszt dla modelu regresji liniowej, co jest NAJBARDZIEJ prawdopodobnym problemem z modelem?

Wykres reszt pokazuje, że rozrzut reszt zwiększa się wraz ze wzrostem wartości przewidywanych, co jest klasycznym objawem heteroskedastyczności. Oznacza to, że wariancja błędów nie jest stała w całym zakresie danych, co narusza jedno z kluczowych założeń regresji liniowej. W takiej sytuacji estymatory OLS (najmniejszych kwadratów) pozostają nieobciążone, ale ich wariancje są niedoszacowane, co prowadzi do nieprawidłowych wniosków statystycznych (np. błędnych przedziałów ufności i testów istotności). Regresja liniowa jest nieodpowiednia, ponieważ heteroskedastyczność sugeruje, że model nie uchwycił całej struktury zależności w danych. Obecność wartości odstających (outlierów) mogłaby być problemem, ale heteroskedastyczność jest bardziej wyraźna. Średnia zero reszt jest pożądana, ale nie wystarcza do stwierdzenia odpowiedniości modelu, jeśli inne założenia są naruszone. Stała wariancja reszt (homoskedastyczność) jest założeniem, które w tym przypadku jest ewidentnie naruszone.