<\/p>\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> , che viola il presupposto<\/a> che i residui siano equamente dispersi a ciascun livello della variabile di risposta.<\/span><\/p>\n Il seguente esempio passo passo mostra come eseguire il test di White in Python per determinare se l’eteroschedasticit\u00e0 \u00e8 o meno un problema in un dato modello di regressione.<\/span><\/p>\n In questo esempio, adatteremo un modello di regressione lineare multipla<\/a> utilizzando il set di dati mtcars<\/strong> .<\/span><\/p>\n Il codice seguente mostra come caricare questo set di dati in un DataFrame panda:<\/span><\/p>\n Successivamente, adatteremo un modello di regressione utilizzando mpg<\/strong> come variabile di risposta e disp<\/strong> e hp<\/strong> come due variabili predittive:<\/span><\/p>\n Successivamente, utilizzeremo la funzione het_white()<\/a> dal pacchetto statsmodels per eseguire il test di White per determinare se l’eteroschedasticit\u00e0 \u00e8 presente nel modello di regressione:<\/span><\/p>\n Ecco come interpretare il risultato:<\/span><\/p>\n Il test di White utilizza le seguenti ipotesi nulle e alternative:<\/span><\/p>\n Poich\u00e9 il valore p non \u00e8 inferiore a 0,05, non riusciamo a rifiutare l’ipotesi nulla.<\/span><\/p>\n Ci\u00f2 significa che non abbiamo prove sufficienti per affermare che l\u2019eteroschedasticit\u00e0 \u00e8 presente nel modello di regressione.<\/span><\/p>\n Se non si riesce a rifiutare l’ipotesi nulla del test di White, l’eteroschedasticit\u00e0 non \u00e8 presente e si pu\u00f2 procedere a interpretare il risultato della regressione originale.<\/span><\/p>\n Tuttavia, se si rifiuta l\u2019ipotesi nulla, ci\u00f2 significa che esiste eteroschedasticit\u00e0. In questo caso, gli errori standard visualizzati nella tabella di output della regressione potrebbero essere inaffidabili.<\/span><\/p>\n Esistono due modi comuni per risolvere questo problema:<\/span><\/p>\n 1. Trasformare la variabile di risposta.<\/strong><\/span><\/p>\n Puoi provare a eseguire una trasformazione sulla variabile di risposta, ad esempio prendendo il logaritmo, la radice quadrata o la radice cubica<\/a> della variabile di risposta. Ci\u00f2 spesso si traduce nella scomparsa dell\u2019eteroschedasticit\u00e0.<\/span><\/p>\n 2. Utilizzare la regressione ponderata.<\/strong><\/span><\/p>\n La regressione ponderata assegna un peso a ciascun punto dati in base alla varianza del relativo valore adattato. In sostanza, ci\u00f2 attribuisce pesi bassi ai punti dati che presentano varianze pi\u00f9 elevate, riducendo i loro quadrati residui. Quando vengono utilizzati i pesi appropriati, ci\u00f2 pu\u00f2 eliminare il problema dell’eteroschedasticit\u00e0.<\/span><\/p>\n I seguenti tutorial forniscono informazioni aggiuntive sulla regressione lineare in Python:<\/span><\/p>\n Una guida completa alla regressione lineare in Python<\/a> Il test di White viene utilizzato per determinare se l’eteroschedasticit\u00e0 \u00e8 presente in un modello di regressione. L’eteroschedasticit\u00e0 si riferisce alla dispersione non uniforme dei residui a diversi livelli di una variabile di risposta , che viola il presupposto che i residui siano equamente dispersi a ciascun livello della variabile di risposta. Il seguente esempio […]<\/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 Passaggio 1: caricare i dati<\/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 Passaggio 2: adattare il modello di regressione<\/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 Passaggio 3: eseguire il test di White<\/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
Cosa fare dopo<\/strong><\/h3>\n
Risorse addizionali<\/strong><\/span><\/h3>\n
Come creare un grafico residuo in Python<\/a>
Come calcolare VIF in Python<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"