{"id":1271,"date":"2023-07-27T01:35:57","date_gmt":"2023-07-27T01:35:57","guid":{"rendered":"https:\/\/statorials.org\/de\/weisstest-in-r\/"},"modified":"2023-07-27T01:35:57","modified_gmt":"2023-07-27T01:35:57","slug":"weisstest-in-r","status":"publish","type":"post","link":"https:\/\/statorials.org\/de\/weisstest-in-r\/","title":{"rendered":"So f\u00fchren sie den white-test in r durch (mit beispielen)"},"content":{"rendered":"

<\/p>\n

\n

Der White-Test<\/strong> wird verwendet, um festzustellen, ob in einem Regressionsmodell Heteroskedastizit\u00e4t<\/a> vorliegt.<\/span><\/p>\n

Unter Heteroskedastizit\u00e4t versteht man die ungleichm\u00e4\u00dfige Streuung der Residuen<\/a> auf verschiedenen Ebenen einer Antwortvariablen<\/a> in einem Regressionsmodell, was gegen eine der Schl\u00fcsselannahmen der linearen Regression<\/a> verst\u00f6\u00dft, dass Residuen auf jeder Ebene der Antwortvariablen gleichm\u00e4\u00dfig verteilt sind.<\/span><\/p>\n

In diesem Tutorial wird erl\u00e4utert, wie Sie den White-Test in R durchf\u00fchren, um festzustellen, ob Heteroskedastizit\u00e4t in einem bestimmten Regressionsmodell ein Problem darstellt oder nicht.<\/span><\/p>\n

Beispiel: Wei\u00dftest in R<\/strong><\/h3>\n

In diesem Beispiel passen wir ein multiples lineares Regressionsmodell<\/a> mithilfe des in mtcars integrierten R-Datensatzes an.<\/span><\/p>\n

Sobald wir das Modell angepasst haben, verwenden wir die Funktion bptest<\/strong> aus der lmtest-<\/strong> Bibliothek, um den White-Test durchzuf\u00fchren und festzustellen, ob Heteroskedastizit\u00e4t vorliegt.<\/span><\/p>\n

Schritt 1: Passen Sie ein Regressionsmodell an.<\/strong><\/span><\/p>\n

Zun\u00e4chst passen wir ein Regressionsmodell an, das mpg<\/strong> als Antwortvariable und disp<\/strong> und hp<\/strong> als zwei erkl\u00e4rende Variablen verwendet.<\/span><\/p>\n

 #load the dataset<\/span>\ndata(mtcars)\n\n#fit a regression model<\/span>\nmodel <- lm(mpg~disp+hp, data=mtcars)\n\n#view model summary\n<\/span>summary(model)\n\nCoefficients:\n             Estimate Std. Error t value Pr(>|t|)    \n(Intercept) 30.735904 1.331566 23.083 < 2nd-16 ***\navailable -0.030346 0.007405 -4.098 0.000306 ***\nhp -0.024840 0.013385 -1.856 0.073679 .  \n---\nSignificant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1\n\nResidual standard error: 3.127 on 29 degrees of freedom\nMultiple R-squared: 0.7482, Adjusted R-squared: 0.7309 \nF-statistic: 43.09 on 2 and 29 DF, p-value: 2.062e-09\n<\/strong><\/pre>\n
 Schritt 2: F\u00fchren Sie den White-Test durch.<\/strong><\/span><\/p>\n
 Als N\u00e4chstes verwenden wir die folgende Syntax, um den White-Test durchzuf\u00fchren, um festzustellen, ob Heteroskedastizit\u00e4t vorliegt:<\/span><\/p>\n
 #load lmtest library<\/span>\nlibrary(lmtest)\n\n#perform White's test<\/span>\nbptest(model, ~ disp*hp + I(disp^2) + I(hp^2), data = mtcars)\n\n\tstudentized Breusch-Pagan test\n\ndata: model\nBP = 7.0766, df = 5, p-value = 0.215\n<\/strong><\/pre>\n
 So interpretieren Sie das Ergebnis:<\/span><\/p>\n