R ဖြင့် white's test ကို မည်ကဲ့သို့လုပ်ဆောင်ရမည် (ဥပမာများနှင့်အတူ)

White’s test ကို regression model တွင် heteroscedasticity ရှိမရှိ ဆုံးဖြတ်ရန် အသုံးပြုသည်။

Heteroscedasticity သည် ဆုတ်ယုတ်မှုပုံစံတစ်ခုရှိ တုံ့ပြန်မှုပုံစံ တစ်ခုရှိ မတူညီသောအဆင့်များတွင် အကြွင်းအကျန်များ မညီမညာ ပျံ့နှံ့သွားခြင်းကို ရည်ညွှန်းသည်၊ ၎င်းသည် အကြွင်းအကျန်များကို တုံ့ပြန်မှုကိန်းရှင်အဆင့်တစ်ခုစီတွင် အညီအမျှ ပျံ့နှံ့သွားသော မျဉ်းကြောင်းပြန်ဆုတ်ခြင်း၏ အဓိကယူဆချက် တစ်ခုကို ချိုးဖောက်သည်။

ဤသင်ခန်းစာတွင် ပေးထားသော ဆုတ်ယုတ်မှုပုံစံတစ်ခုတွင် မျိုးရိုးလိုက်ခြင်းမှာ ပြဿနာရှိ/မရှိ ဆုံးဖြတ်ရန် R တွင် White test ကို မည်သို့လုပ်ဆောင်ရမည်ကို ရှင်းပြထားသည်။

ဥပမာ- R တွင် အဖြူရောင်စမ်းသပ်မှု

ဤဥပမာတွင်၊ ကျွန်ုပ်တို့သည် mtcars built-in R ဒေတာအစုံကို အသုံးပြု၍ မျဉ်းဖြောင့်ဆုတ်ယုတ်မှုပုံစံမျိုးစုံကို အံ ကိုက်လုပ်ပါမည်။

ကျွန်ုပ်တို့သည် မော်ဒယ်ကို တပ်ဆင်ပြီးသည်နှင့် တစ်ပြိုင်နက်၊ ကျွန်ုပ်တို့သည် မျိုးရိုးလိုက်ခြင်းရှိမရှိကို ဆုံးဖြတ်ရန် White test လုပ်ဆောင်ရန် lmtest စာကြည့်တိုက်မှ bptest လုပ်ဆောင်ချက်ကို အသုံးပြုပါမည်။

အဆင့် 1- ဆုတ်ယုတ်မှုပုံစံကို အံကိုက်လုပ်ပါ။

ပထမဦးစွာ၊ ကျွန်ုပ်တို့သည် တုံ့ပြန်မှုကိန်းရှင်အဖြစ် mpg နှင့် disp နှင့် hp ကို ရှင်းလင်းချက်ကွဲလွဲချက်နှစ်ခုအဖြစ် mpg ကိုအသုံးပြု၍ ဆုတ်ယုတ်မှုပုံစံကို ဖြည့်သွင်းပါမည်။

 #load the dataset
data(mtcars)

#fit a regression model
model <- lm(mpg~disp+hp, data=mtcars)

#view model summary
summary(model)

Coefficients:
             Estimate Std. Error t value Pr(>|t|)    
(Intercept) 30.735904 1.331566 23.083 < 2nd-16 ***
available -0.030346 0.007405 -4.098 0.000306 ***
hp -0.024840 0.013385 -1.856 0.073679 .  
---
Significant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Residual standard error: 3.127 on 29 degrees of freedom
Multiple R-squared: 0.7482, Adjusted R-squared: 0.7309 
F-statistic: 43.09 on 2 and 29 DF, p-value: 2.062e-09

အဆင့် 2: White ၏စမ်းသပ်မှုကိုလုပ်ဆောင်ပါ။

ထို့နောက်၊ ကျွန်ုပ်တို့သည် ဝှိုက်၏စမ်းသပ်မှုပြုလုပ်ရန် အောက်ဖော်ပြပါ syntax ကိုအသုံးပြု၍ heteroscedasticity ရှိနေခြင်းရှိမရှိကိုဆုံးဖြတ်ရန်။

 #load lmtest library
library(lmtest)

#perform White's test
bptest(model, ~ disp*hp + I(disp^2) + I(hp^2), data = mtcars)

	studentized Breusch-Pagan test

data: model
BP = 7.0766, df = 5, p-value = 0.215

ဤသည်မှာ ရလဒ်ကို မည်သို့အဓိပ္ပာယ်ဖွင့်ဆိုနိုင်သည်-

• စမ်းသပ်မှုစာရင်းအင်းသည် ^X2 = 7.0766 ဖြစ်သည်။
• လွတ်လပ်မှုအဆင့် 5 ။
• သက်ဆိုင်ရာ p-value သည် 0.215 ဖြစ်သည်။

White test သည် အောက်ပါ null နှင့် အစားထိုး hypotheses ကို အသုံးပြုသည် ။

• Null (H ₀ ) : Homoskedasticity ရှိနေသည်။
• အစားထိုး ( _HA ): Heteroskedasticity ရှိနေပါသည်။

p-value သည် 0.05 ထက်မနည်းသောကြောင့်၊ null hypothesis ကို ငြင်းပယ်ရန် ပျက်ကွက်ပါသည်။ ဆုတ်ယုတ်မှုပုံစံတွင် heteroskedasticity ရှိနေသည်ဟု ဆိုရန် လုံလောက်သော အထောက်အထား မရှိပါ။

ဘာဆက်လုပ်ရမလဲ

အကယ်၍ သင်သည် White’s test ၏ null hypothesis ကို ငြင်းဆိုရန် ပျက်ကွက်ပါက၊ heteroskedasticity သည် ရှိမနေဘဲ မူလဆုတ်ယုတ်မှု၏ ရလဒ်ကို အဓိပ္ပာယ်ဖွင့်ဆိုရန် ဆက်လက်လုပ်ဆောင်နိုင်ပါသည်။

သို့သော်၊ သင်သည် null hypothesis ကို ငြင်းပယ်ပါက၊ heteroskedasticity သည် data တွင် ရှိနေသည်ဟု ဆိုလိုသည်။ ဤကိစ္စတွင်၊ regression output table တွင်ပြသထားသော standard errors များသည် စိတ်ချရမည်မဟုတ်ပါ။

ဤပြဿနာကို ဖြေရှင်းရန် ဘုံနည်းလမ်းများစွာ အပါအဝင်၊

1. တုံ့ပြန်မှုကိန်းရှင်ကို ပြောင်းလဲပါ။

ဥပမာအားဖြင့် တုံ့ပြန်မှုကိန်းရှင်တွင် အသွင်ပြောင်းခြင်းကို လုပ်ဆောင်နိုင်သည်၊ ဥပမာအားဖြင့် တုံ့ပြန်မှုကိန်းရှင် ၏ မှတ်တမ်း၊ စတုရန်းရတ် သို့မဟုတ် ကုဗတုံးအမြစ်ကို ယူဆောင်သွားနိုင်သည်။ ယေဘူယျအားဖြင့်၊ ၎င်းသည် မျိုးရိုးလိုက်ခြင်းကို ပျောက်စေနိုင်သည်။

2. အလေးချိန် ဆုတ်ယုတ်မှုကို သုံးပါ။

Weighted regression သည် ၎င်း၏ တပ်ဆင်ထားသော တန်ဖိုး၏ ကွဲလွဲမှုအပေါ် အခြေခံ၍ ဒေတာအမှတ်တစ်ခုစီအတွက် အလေးချိန်ကို သတ်မှတ်ပေးသည်။ အခြေခံအားဖြင့်၊ ၎င်းသည် ၎င်းတို့ကျန်ရှိသော စတုရန်းများကို လျှော့ချပြီး ကွဲပြားမှုများ ပိုမိုမြင့်မားသည့် ဒေတာအမှတ်များကို နည်းပါးစေသည်။ သင့်လျော်သောအလေးချိန်များကိုအသုံးပြုသောအခါ၊ ၎င်းသည် မျိုးကွဲခြင်းပြဿနာကို ဖယ်ရှားပေးနိုင်သည်။