<\/p>\n
Der White-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 Verteilung von Residuen<\/a> auf verschiedenen Ebenen einer Antwortvariablen<\/a> , was gegen die Annahme<\/a> verst\u00f6\u00dft, dass Residuen auf jeder Ebene der Antwortvariablen gleichm\u00e4\u00dfig verteilt sind.<\/span><\/p>\n Das folgende Schritt-f\u00fcr-Schritt-Beispiel zeigt, wie der White-Test in Python durchgef\u00fchrt wird, um festzustellen, ob Heteroskedastizit\u00e4t in einem bestimmten Regressionsmodell ein Problem darstellt oder nicht.<\/span><\/p>\n In diesem Beispiel passen wir ein multiples lineares Regressionsmodell<\/a> mithilfe des mtcars-<\/strong> Datensatzes an.<\/span><\/p>\n Der folgende Code zeigt, wie dieser Datensatz in einen Pandas-DataFrame geladen wird:<\/span><\/p>\n Als n\u00e4chstes passen wir ein Regressionsmodell an, das mpg<\/strong> als Antwortvariable und disp<\/strong> und hp<\/strong> als zwei Pr\u00e4diktorvariablen verwendet:<\/span><\/p>\n Als N\u00e4chstes verwenden wir die Funktion het_white()<\/a> aus dem statsmodels-Paket, um den White-Test durchzuf\u00fchren und festzustellen, ob Heteroskedastizit\u00e4t im Regressionsmodell vorhanden ist:<\/span><\/p>\n So interpretieren Sie das Ergebnis:<\/span><\/p>\n Der White-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.<\/span><\/p>\n Dies bedeutet, dass wir nicht \u00fcber ausreichende Beweise verf\u00fcgen, um zu behaupten, dass Heteroskedastizit\u00e4t im Regressionsmodell vorhanden ist.<\/span><\/p>\n Wenn Sie die Nullhypothese des White-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 Heteroskedastizit\u00e4t vorliegt. In diesem Fall sind die in der Regressionsausgabetabelle angezeigten Standardfehler m\u00f6glicherweise unzuverl\u00e4ssig.<\/span><\/p>\n Es gibt zwei g\u00e4ngige M\u00f6glichkeiten, dieses Problem zu l\u00f6sen:<\/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. Dies f\u00fchrt h\u00e4ufig zum Verschwinden der Heteroskedastizit\u00e4t.<\/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. Wenn die entsprechenden Gewichte verwendet werden, kann das Problem der Heteroskedastizit\u00e4t beseitigt werden.<\/span><\/p>\n Die folgenden Tutorials bieten zus\u00e4tzliche Informationen zur linearen Regression in Python:<\/span><\/p>\n Eine vollst\u00e4ndige Anleitung zur linearen Regression in Python<\/a> Der White-Test wird verwendet, um festzustellen, ob in einem Regressionsmodell Heteroskedastizit\u00e4t vorliegt. Heteroskedastizit\u00e4t bezieht sich auf die ungleichm\u00e4\u00dfige Verteilung von Residuen auf verschiedenen Ebenen einer Antwortvariablen , was gegen die Annahme verst\u00f6\u00dft, dass Residuen auf jeder Ebene der Antwortvariablen gleichm\u00e4\u00dfig verteilt sind. Das folgende Schritt-f\u00fcr-Schritt-Beispiel zeigt, wie der White-Test in Python durchgef\u00fchrt wird, um festzustellen, […]<\/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: Daten laden<\/strong><\/h3>\n
from<\/span> sklearn. linear_model<\/span> import<\/span> LinearRegression\nfrom<\/span> statsmodels. stats<\/span> . diagnostic<\/span> import<\/span> het_white\nimport<\/span> statsmodels. api<\/span> as<\/span> sm\nimport<\/span> pandas as<\/span> pd\n\n#define URL where dataset is located\n<\/span>url = \"https:\/\/raw.githubusercontent.com\/Statorials\/Python-Guides\/main\/mtcars.csv\"\n\n#read in data\n<\/span>data = pd. read_csv<\/span> (url)\n\n#view summary of data\n<\/span>data. info<\/span> ()\n\n<class 'pandas.core.frame.DataFrame'>\nRangeIndex: 32 entries, 0 to 31\nData columns (total 12 columns):\n # Column Non-Null Count Dtype \n--- ------ -------------- ----- \n 0 model 32 non-null object \n 1 mpg 32 non-null float64\n 2 cyl 32 non-null int64 \n 3 disp 32 non-null float64\n 4 hp 32 non-null int64 \n 5 drat 32 non-null float64\n 6 wt 32 non-null float64\n 7 qsec 32 non-null float64\n 8 vs 32 non-null int64 \n 9 am 32 non-null int64 \n 10 gear 32 non-null int64 \n 11 carb 32 non-null int64 \ndtypes: float64(5), int64(6), object(1)\n<\/strong><\/pre>\n Schritt 2: Passen Sie das Regressionsmodell an<\/strong><\/h3>\n
#define response variable\n<\/span>y = data[' mpg<\/span> ']\n\n#define predictor variables\n<\/span>x = data[[' disp<\/span> ', ' hp<\/span> ']]\n\n#add constant to predictor variables\n<\/span>x = sm. add_constant<\/span> (x)\n\n#fit regression model\n<\/span>model = sm. OLS<\/span> (y,x). fit<\/span> ()<\/strong><\/pre>\n Schritt 3: F\u00fchren Sie den White-Test durch<\/strong><\/span><\/h3>\n
#perform White's test\n<\/span>white_test = het_white(model. resid<\/span> , model. model<\/span> . exog<\/span> )\n\n#define labels to use for output of White's test\n<\/span>labels = ['Test Statistic', 'Test Statistic p-value', 'F-Statistic', 'F-Test p-value']\n\n#print results of White's test\nprint<\/span><\/span> (dict(zip(labels, white_test)))\n\n{'Test Statistic': 7.076620330416624, 'Test Statistic p-value': 0.21500404394263936,\n 'F-Statistic': 1.4764621093131864, 'F-Test p-value': 0.23147065943879694}<\/strong><\/pre>\n\n
\n
Was macht man als n\u00e4chstes<\/strong><\/h3>\n
Zus\u00e4tzliche Ressourcen<\/strong><\/span><\/h3>\n
So erstellen Sie ein Restdiagramm in Python<\/a>
So berechnen Sie VIF in Python<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"