Cara melakukan tes chow di r

Uji Chow digunakan untuk menguji apakah koefisien dari dua model regresi yang berbeda pada kumpulan data yang berbeda adalah sama.

Tes ini biasanya digunakan dalam bidang ekonometrika dengan data deret waktu untuk menentukan apakah terdapat kerusakan struktural pada data pada suatu titik waktu tertentu.

Tutorial ini memberikan contoh langkah demi langkah tentang cara melakukan tes Chow di R.

Langkah 1: Buat datanya

Pertama, kami akan membuat data palsu:

 #create data
data <- data.frame(x = c(1, 1, 2, 3, 4, 4, 5, 5, 6, 7, 7, 8, 8, 9, 10, 10,
                         11, 12, 12, 13, 14, 15, 15, 16, 17, 18, 18, 19, 20, 20),
                   y = c(3, 5, 6, 10, 13, 15, 17, 14, 20, 23, 25, 27, 30, 30, 31,
                         33, 32, 32, 30, 32, 34, 34, 37, 35, 34, 36, 34, 37, 38, 36))

#view first six rows of data
head(data)

  xy
1 1 3
2 1 5
3 2 6
4 3 10
5 4 13
6 4 15

Langkah 2: Visualisasikan datanya

Selanjutnya, kita akan membuat diagram sebar sederhana untuk memvisualisasikan data:

 #load ggplot2 visualization package
library (ggplot2)

#create scatterplot
ggplot(data, aes (x = x, y = y)) +
    geom_point(col=' steelblue ', size= 3 )

Dari scatterplot terlihat bahwa pola pada data tampak berubah pada x = 10. Dengan demikian, kita dapat melakukan uji Chow untuk mengetahui apakah terdapat break point struktural pada data pada x = 10.

Langkah 3: Lakukan Tes Chow

Kita dapat menggunakan fungsi sctest dari paket strucchange untuk melakukan tes Chow:

 #load strucchange package
library (strucchange)

#perform Chow test
sctest(data$y ~ data$x, type = " Chow ", point = 10 )

	Chow test

data: data$y ~ data$x
F = 110.14, p-value = 2.023e-13

Dari hasil pengujian kita dapat melihat:

• Statistik uji F : 110,14
• nilai p: <.0000

Karena nilai p kurang dari 0,05, kita dapat menolak hipotesis nol dari pengujian tersebut. Ini berarti bahwa kita mempunyai cukup bukti untuk mengatakan bahwa terdapat titik henti struktural dalam data.

Dengan kata lain, dua garis regresi dapat memasukkan model ke dalam data dengan lebih efektif dibandingkan satu garis regresi.