{"id":1273,"date":"2023-07-27T01:35:57","date_gmt":"2023-07-27T01:35:57","guid":{"rendered":"https:\/\/statorials.org\/it\/prova-bianca-in-r\/"},"modified":"2023-07-27T01:35:57","modified_gmt":"2023-07-27T01:35:57","slug":"prova-bianca-in-r","status":"publish","type":"post","link":"https:\/\/statorials.org\/it\/prova-bianca-in-r\/","title":{"rendered":"Come eseguire il test del bianco in r (con esempi)"},"content":{"rendered":"

<\/p>\n

\n

Il test di White<\/strong> viene utilizzato per determinare se l’eteroschedasticit\u00e0<\/a> \u00e8 presente in un modello di regressione.<\/span><\/p>\n

L’eteroschedasticit\u00e0 si riferisce alla dispersione non uniforme dei residui<\/a> a diversi livelli di una variabile di risposta<\/a> in un modello di regressione, che viola uno dei presupposti chiave della regressione lineare<\/a> secondo cui i residui sono equamente dispersi a ciascun livello della variabile di risposta.<\/span><\/p>\n

Questo tutorial spiega come eseguire il test di White in R per determinare se l’eteroschedasticit\u00e0 \u00e8 o meno un problema in un dato modello di regressione.<\/span><\/p>\n

Esempio: test del bianco in R<\/strong><\/h3>\n

In questo esempio, adatteremo un modello di regressione lineare multipla<\/a> utilizzando il set di dati R integrato di mtcars.<\/span><\/p>\n

Una volta adattato il modello, utilizzeremo la funzione bptest<\/strong> della libreria lmtest<\/strong> per eseguire il test di White per determinare se \u00e8 presente l’eteroschedasticit\u00e0.<\/span><\/p>\n

Passaggio 1: adattare un modello di regressione.<\/strong><\/span><\/p>\n

Innanzitutto, adatteremo un modello di regressione utilizzando mpg<\/strong> come variabile di risposta e disp<\/strong> e hp<\/strong> come due variabili esplicative.<\/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
 Passaggio 2: eseguire il test di White.<\/strong><\/span><\/p>\n
 Successivamente, utilizzeremo la seguente sintassi per eseguire il test di White per determinare se \u00e8 presente l’eteroschedasticit\u00e0:<\/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
 Ecco come interpretare il risultato:<\/span><\/p>\n