<\/p>\n
Salah satu asumsi utama regresi linier<\/a> adalah tidak ada korelasi antar residu, yaitu residu bersifat independen.<\/span><\/p>\n Untuk menguji autokorelasi orde pertama, kita dapat melakukan uji Durbin-Watson<\/a> . Namun, jika kita ingin menguji autokorelasi pada orde yang lebih tinggi, kita perlu melakukan uji Breusch-Godfrey<\/strong> .<\/span><\/p>\n Pengujian ini menggunakan asumsi<\/a> sebagai berikut :<\/span><\/p>\n H 0<\/sub> (hipotesis nol):<\/strong> Tidak ada autokorelasi dengan orde yang kurang dari atau sama dengan p<\/em> .<\/span><\/p>\n H A<\/sub> (hipotesis alternatif):<\/strong> Terdapat autokorelasi dengan orde tertentu yang kurang dari atau sama dengan p<\/em> .<\/span><\/p>\n Statistik uji mengikuti distribusi Chi-kuadrat dengan derajat kebebasan p<\/em> .<\/span><\/p>\n Jika nilai p<\/a> yang sesuai dengan statistik pengujian ini berada di bawah tingkat signifikansi tertentu (misalnya 0,05), maka kita dapat menolak hipotesis nol dan menyimpulkan bahwa terdapat autokorelasi antara residu pada tingkat tertentu yang lebih rendah atau sama dengan p<\/em> .<\/span><\/p>\n Untuk melakukan tes Breusch-Godfrey dengan Python, Anda dapat menggunakan fungsi acorr_breusch_godfrey()<\/strong> dari perpustakaan statsmodels<\/b> .<\/span><\/p>\n Contoh langkah demi langkah berikut menjelaskan cara melakukan tes Breusch-Godfrey dengan Python.<\/span><\/p>\n Pertama, buat dataset yang berisi dua variabel prediktor (x1 dan x2) dan variabel respon (y).<\/span><\/p>\n Kemudian kita dapat menyesuaikan model regresi linier berganda<\/a> dengan menggunakan x1 dan x2 sebagai variabel prediktor dan y sebagai variabel respon<\/a> .<\/span><\/p>\n Selanjutnya kita akan melakukan uji Breusch-Godfrey untuk menguji autokorelasi antara residu pada orde p<\/em> . Untuk contoh ini, kita akan memilih p<\/em> = 3.<\/span><\/p>\n Nilai keluaran pertama mewakili statistik uji dan nilai kedua mewakili nilai p yang sesuai.<\/span><\/p>\n Dari hasilnya kita dapat melihat hal berikut:<\/span><\/p>\n Karena nilai p ini kurang dari 0,05, kita dapat menolak hipotesis nol dan menyimpulkan bahwa terdapat autokorelasi antara residu berorde kurang dari atau sama dengan 3.<\/span><\/p>\n Jika Anda menolak hipotesis nol dan menyimpulkan bahwa terdapat autokorelasi dalam residu, maka Anda memiliki beberapa opsi untuk memperbaiki masalah ini jika Anda menganggapnya cukup serius:<\/span><\/p>\n Panduan Lengkap Regresi Linier dengan Python<\/a> Salah satu asumsi utama regresi linier adalah tidak ada korelasi antar residu, yaitu residu bersifat independen. Untuk menguji autokorelasi orde pertama, kita dapat melakukan uji Durbin-Watson . Namun, jika kita ingin menguji autokorelasi pada orde yang lebih tinggi, kita perlu melakukan uji Breusch-Godfrey . Pengujian ini menggunakan asumsi sebagai berikut : H 0 (hipotesis nol): […]<\/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 Langkah 1: Buat datanya<\/strong><\/span><\/h3>\n
import<\/span> pandas as<\/span> pd<\/span>\n\n#create dataset<\/span>\ndf = pd. DataFrame<\/span> ({' x1<\/span> ': [3, 4, 4, 5, 8, 9, 11, 13, 14, 16, 17, 20],\n ' x2<\/span> ': [7, 7, 8, 8, 12, 4, 5, 15, 9, 17, 19, 19],\n ' y<\/span> ': [24, 25, 25, 27, 29, 31, 34, 34, 39, 30, 40, 49]})\n\n#view first five rows of dataset\n<\/span>df. head<\/span> ()\n\n\tx1 x2 y\n0 3 7 24\n1 4 7 25\n2 4 8 25\n3 5 8 27\n4 8 12 29\n<\/strong><\/pre>\n Langkah 2: Sesuaikan model regresi<\/strong><\/span><\/h3>\n
import<\/span> statsmodels. api<\/span> as<\/span> sm\n\n#define response variable\n<\/span>y = df[' y<\/span> ']\n\n#define predictor variables\n<\/span>x = df[[' x1<\/span> ', ' x2<\/span> ']]\n\n#add constant to predictor variables\n<\/span>x = sm. add_constant<\/span> (x)\n\n#fit linear regression model\n<\/span>model = sm. OLS<\/span> (y,x). fit<\/span> ()\n<\/strong><\/span><\/pre>\n Langkah 3: Lakukan tes Breusch-Godfrey<\/strong><\/span><\/h3>\n
import<\/span> statsmodels. stats<\/span> . diagnosis<\/span> as<\/span> dg\n<\/span>\n#perform Breusch-Godfrey test at order p<\/em> = 3\nprint<\/span> (dg. acorr_breusch_godfrey<\/span> (model, nlags= 3<\/span> ))\n\n(8.70314827, 0.0335094873, 5.27967224, 0.0403980576)\n<\/span><\/span><\/strong><\/span><\/pre>\n\n
Cara mengatasi autokorelasi<\/strong><\/span><\/h3>\n
\n
Sumber daya tambahan<\/strong><\/span><\/h3>\n
Cara melakukan tes Durbin-Watson dengan Python<\/a>
Cara melakukan tes Ljung-Box dengan Python<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"