<\/p>\n
Uno dei presupposti chiave della regressione lineare<\/a> \u00e8 che non vi sia alcuna correlazione tra i residui, ovvero che i residui siano indipendenti.<\/span><\/p>\n Per verificare l’autocorrelazione del primo ordine, possiamo eseguire un test di Durbin-Watson<\/a> . Tuttavia, se vogliamo testare l’autocorrelazione a ordini pi\u00f9 alti, dobbiamo eseguire un test di Breusch-Godfrey<\/strong> .<\/span><\/p>\n Questo test utilizza le seguenti ipotesi<\/a> :<\/span><\/p>\n H 0<\/sub> (ipotesi nulla):<\/strong> non esiste autocorrelazione di ordine inferiore o uguale a p<\/em> .<\/span><\/p>\n H A<\/sub> (ipotesi alternativa):<\/strong> esiste un’autocorrelazione di un certo ordine inferiore o uguale a p<\/em> .<\/span><\/p>\n La statistica del test segue una distribuzione Chi-quadrato con p<\/em> gradi di libert\u00e0.<\/span><\/p>\n Se il valore p<\/a> che corrisponde a questa statistica test \u00e8 inferiore a un certo livello di significativit\u00e0 (ad esempio 0,05), allora possiamo rifiutare l’ipotesi nulla e concludere che esiste un’autocorrelazione tra i residui ad un certo ordine inferiore o pari a p<\/em> .<\/span><\/p>\n Per eseguire un test di Breusch-Godfrey in R, possiamo utilizzare la funzione bgtest(y ~ x, order = p)<\/strong> dalla libreria lmtest<\/strong> .<\/span><\/p>\n Questo tutorial fornisce un esempio di utilizzo di questa sintassi in R.<\/span><\/p>\n Innanzitutto, creiamo un set di dati falso contenente due variabili predittive (x1 e x2) e una variabile di risposta (y).<\/span><\/p>\n Successivamente, possiamo eseguire un test di Breusch-Godfrey utilizzando la funzione bgtest()<\/strong> del pacchetto lmtest<\/strong> .<\/span><\/p>\n Per questo esempio, testeremo l’autocorrelazione tra i residui all’ordine p = 3:<\/span><\/p>\n Dal risultato possiamo vedere che la statistica del test \u00e8 X2<\/sup> = 8.7031<\/strong> con 3 gradi di libert\u00e0. Il valore p corrispondente \u00e8 0,03351<\/strong> .<\/span><\/p>\n Poich\u00e9 questo valore p \u00e8 inferiore a 0,05, possiamo rifiutare l’ipotesi nulla e concludere che esiste un’autocorrelazione tra i residui di ordine inferiore o uguale a 3.<\/span><\/p>\n Se rifiuti l’ipotesi nulla e concludi che nei residui \u00e8 presente l’autocorrelazione, hai diverse opzioni per correggere questo problema se lo consideri abbastanza serio:<\/span><\/p>\n Come eseguire una regressione lineare semplice in R<\/a> Uno dei presupposti chiave della regressione lineare \u00e8 che non vi sia alcuna correlazione tra i residui, ovvero che i residui siano indipendenti. Per verificare l’autocorrelazione del primo ordine, possiamo eseguire un test di Durbin-Watson . Tuttavia, se vogliamo testare l’autocorrelazione a ordini pi\u00f9 alti, dobbiamo eseguire un test di Breusch-Godfrey . Questo test utilizza […]<\/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 Esempio: test di Breusch-Godfrey in R<\/strong><\/span><\/h3>\n
#create dataset\n<\/span>df <- data. frame<\/span> (x1=c(3, 4, 4, 5, 8, 9, 11, 13, 14, 16, 17, 20),\n x2=c(7, 7, 8, 8, 12, 4, 5, 15, 9, 17, 19, 19),\n y=c(24, 25, 25, 27, 29, 31, 34, 34, 39, 30, 40, 49))\n\n#view first six rows of dataset\n<\/span>head(df)\n\n x1 x2 y\n1 3 7 24\n2 4 7 25\n3 4 8 25\n4 5 8 27\n5 8 12 29\n6 9 4 31<\/strong><\/pre>\n #load lmtest package\n<\/span>library<\/span> (lmtest)\n\n#perform Breusch-Godfrey test\n<\/span>bgtest(y ~ x1 + x2, order= 3<\/span> , data=df)\n\n\tBreusch-Godfrey test for serial correlation of order up to 3\n\ndata: y ~ x1 + x2\nLM test = 8.7031, df = 3, p-value = 0.03351\n<\/strong><\/pre>\n Come gestire l’autocorrelazione<\/strong><\/span><\/h3>\n
\n
Risorse addizionali<\/strong><\/span><\/h3>\n
Come eseguire la regressione lineare multipla in R<\/a>
Come eseguire un test di Durbin-Watson in R<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"