Linear regression model fit করলেই analysis শেষ নয়।
বিশেষ করে statistical inference-এর ক্ষেত্রে কিছু গুরুত্বপূর্ণ assumption এবং diagnostic check করতে হয়।
Linearity
Target এবং predictors-এর relationship এমন হতে হবে যাতে linear model সেটিকে reasonably represent করতে পারে।
যদি relationship strongly nonlinear হয়, তাহলে simple linear regression ভালোভাবে pattern capture নাও করতে পারে।
Independence
Observations বা errors একে অপরের সঙ্গে এমনভাবে dependent হওয়া উচিত নয় যা model-এর inference-কে প্রভাবিত করে।
Time-series data-তে এই assumption প্রায়ই violated হতে পারে, কারণ কাছাকাছি সময়ের observations correlated হতে পারে।
Homoscedasticity
Residual-এর variance বিভিন্ন prediction level-এ roughly constant হওয়াকে homoscedasticity বলা হয়।
যদি prediction বাড়ার সঙ্গে residual-এর spread-ও বাড়তে থাকে, তাহলে:
Heteroscedasticity
থাকতে পারে।
No Severe Multicollinearity
Predictor variables-এর মধ্যে খুব বেশি redundant বা strongly correlated relationship থাকা উচিত নয়।
যেমন:
Age in years
Age in months
দুটিই একই information প্রায় বহন করছে।
এ ধরনের feature একসাথে দিলে severe multicollinearity হতে পারে।
Residual Normality
Residual normality বিশেষ করে classical statistical inference-এর ক্ষেত্রে গুরুত্বপূর্ণ।
যেমন:
p-values
confidence intervals
hypothesis tests
তবে prediction-এর জন্য residual perfectly normal হওয়া সবসময় mandatory নয়।