<\/p>\n
Der Goldfeld-Quandt-Test<\/strong> wird verwendet, um festzustellen, ob in einem Regressionsmodell Heteroskedastizit\u00e4t<\/a> vorliegt.<\/span><\/p>\n Heteroskedastizit\u00e4t bezieht sich auf die ungleichm\u00e4\u00dfige Streuung von Residuen<\/a> auf verschiedenen Ebenen einer Antwortvariablen<\/a> in einem Regressionsmodell.<\/span><\/p>\n Wenn Heteroskedastizit\u00e4t vorliegt, verst\u00f6\u00dft dies gegen eine der Schl\u00fcsselannahmen der linearen Regression<\/a> , dass die Residuen auf jeder Ebene der Antwortvariablen gleichm\u00e4\u00dfig verteilt sind.<\/span><\/p>\n Dieses Tutorial bietet ein schrittweises Beispiel f\u00fcr die Durchf\u00fchrung des Goldfeld-Quandt-Tests in R, um zu bestimmen, ob in einem bestimmten Regressionsmodell Heteroskedastizit\u00e4t vorhanden ist oder nicht.<\/span><\/p>\n Zuerst erstellen wir ein multiples lineares Regressionsmodell<\/a> unter Verwendung des in R integrierten mtcars-<\/strong> Datensatzes:<\/span><\/p>\n Als N\u00e4chstes verwenden wir die Funktion gqtest()<\/b> aus dem Paket lmtest<\/strong> , um den Goldfeld-Quandt-Test durchzuf\u00fchren und festzustellen, ob Heteroskedastizit\u00e4t vorliegt.<\/span><\/p>\n Diese Funktion verwendet die folgende Syntax:<\/span><\/p>\n gqtest(Modell, order.by, Daten, Bruch)<\/span><\/strong><\/p>\n Gold:<\/span><\/p>\n *Der Goldfeld-Quandt-Test funktioniert, indem er eine Reihe von Beobachtungen entfernt, die sich in der Mitte des Datensatzes befinden, und dann testet, um festzustellen, ob sich die Verteilung der Residuen von den beiden resultierenden Datens\u00e4tzen unterscheidet, die auf beiden Seiten der Datens\u00e4tze liegen. zentrale Beobachtungen.<\/span><\/p>\n Normalerweise entfernen wir etwa 20 % der gesamten Beobachtungen. In diesem Fall hat mtcars insgesamt 32 Beobachtungen, sodass wir die zentralen 7 Beobachtungen entfernen k\u00f6nnen:<\/span><\/p>\n So interpretieren Sie das Ergebnis:<\/span><\/p>\n Der Goldfeld-Quandt-Test verwendet die folgenden Null- und Alternativhypothesen:<\/span><\/p>\n Da der p-Wert nicht kleiner als 0,05 ist, k\u00f6nnen wir die Nullhypothese nicht ablehnen. Wir haben keine ausreichenden Beweise, um zu behaupten, dass Heteroskedastizit\u00e4t im Regressionsmodell vorhanden ist.<\/span><\/p>\n Wenn Sie die Nullhypothese des Goldfeld-Quandt-Tests nicht ablehnen, liegt keine Heteroskedastizit\u00e4t vor und Sie k\u00f6nnen mit der Interpretation des Ergebnisses der urspr\u00fcnglichen Regression fortfahren.<\/span><\/p>\n Wenn Sie jedoch die Nullhypothese ablehnen, bedeutet dies, dass in den Daten Heteroskedastizit\u00e4t vorliegt. In diesem Fall sind die in der Regressionsausgabetabelle angezeigten Standardfehler m\u00f6glicherweise unzuverl\u00e4ssig.<\/span><\/p>\n Es gibt mehrere g\u00e4ngige M\u00f6glichkeiten, dieses Problem zu l\u00f6sen, darunter:<\/span><\/p>\n 1. Transformieren Sie die Antwortvariable.<\/strong><\/span><\/p>\n Sie k\u00f6nnen versuchen, eine Transformation an der Antwortvariablen durchzuf\u00fchren, indem Sie beispielsweise den Logarithmus, die Quadratwurzel oder die Kubikwurzel<\/a> der Antwortvariablen ziehen. Im Allgemeinen kann dies dazu f\u00fchren, dass die Heteroskedastizit\u00e4t verschwindet.<\/span><\/p>\n 2. Verwenden Sie eine gewichtete Regression.<\/strong><\/span><\/p>\n Die gewichtete Regression weist jedem Datenpunkt basierend auf der Varianz seines angepassten Werts eine Gewichtung zu. Im Wesentlichen werden dadurch Datenpunkte mit h\u00f6heren Varianzen niedrig gewichtet, wodurch ihre Restquadrate reduziert werden.<\/span><\/p>\n Wenn die entsprechenden Gewichte verwendet werden, kann die gewichtete Regression das Problem der Heteroskedastizit\u00e4t beseitigen.<\/span><\/p>\n So f\u00fchren Sie eine multiple lineare Regression in R durch<\/a> Der Goldfeld-Quandt-Test wird verwendet, um festzustellen, ob in einem Regressionsmodell Heteroskedastizit\u00e4t vorliegt. Heteroskedastizit\u00e4t bezieht sich auf die ungleichm\u00e4\u00dfige Streuung von Residuen auf verschiedenen Ebenen einer Antwortvariablen in einem Regressionsmodell. Wenn Heteroskedastizit\u00e4t vorliegt, verst\u00f6\u00dft dies gegen eine der Schl\u00fcsselannahmen der linearen Regression , dass die Residuen auf jeder Ebene der Antwortvariablen gleichm\u00e4\u00dfig verteilt sind. Dieses Tutorial […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"yoast_head":"\n Schritt 1: Erstellen Sie ein Regressionsmodell<\/strong><\/h3>\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 Goldfeld-Quandt-Test durch<\/strong><\/span><\/h3>\n
\n
#load lmtest library<\/span>\nlibrary(lmtest)\n\n#perform the Goldfeld Quandt test<\/span>\ngqtest(model, order.by = ~disp+hp, data = mtcars, fraction = 7)\n\n\tGoldfeld-Quandt test\n\ndata: model\nGQ = 1.0316, df1 = 10, df2 = 9, p-value = 0.486\nalternative hypothesis: variance increases from segment 1 to 2\n<\/strong><\/pre>\n\n
\n
Was macht man als n\u00e4chstes<\/strong><\/h3>\n
Zus\u00e4tzliche Ressourcen<\/strong><\/span><\/h3>\n
So f\u00fchren Sie den White-Test in R durch<\/a>
So f\u00fchren Sie einen Breusch-Pagan-Test in R durch<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"