<\/p>\n
De Goldfeld-Quandt-test<\/strong> wordt gebruikt om te bepalen of heteroskedasticiteit<\/a> aanwezig is in een regressiemodel.<\/span><\/p>\n Heteroskedasticiteit verwijst naar de ongelijke spreiding van residuen<\/a> op verschillende niveaus van eenresponsvariabele<\/a> in een regressiemodel.<\/span><\/p>\n Als er heteroscedasticiteit aanwezig is, schendt dit een van de belangrijkste aannames van lineaire regressie<\/a> , namelijk dat de residuen gelijkmatig verspreid zijn op elk niveau van de responsvariabele.<\/span><\/p>\n Deze tutorial biedt een stapsgewijs voorbeeld van hoe u de Goldfeld-Quandt-test in R kunt uitvoeren om te bepalen of heteroscedasticiteit al dan niet aanwezig is in een bepaald regressiemodel.<\/span><\/p>\n Eerst zullen we een meervoudig lineair regressiemodel<\/a> maken met behulp van de mtcars-<\/strong> dataset die in R is ingebouwd:<\/span><\/p>\n Vervolgens zullen we de functie gqtest()<\/b> uit het lmtest-<\/strong> pakket gebruiken om de Goldfeld-Quandt-test uit te voeren om te bepalen of heteroscedasticiteit aanwezig is.<\/span><\/p>\n Deze functie gebruikt de volgende syntaxis:<\/span><\/p>\n gqtest(model, order.by, data, breuk)<\/span><\/strong><\/p>\n Goud:<\/span><\/p>\n *De Goldfeld-Quandt-test werkt door een aantal waarnemingen in het midden van de dataset te verwijderen en vervolgens te testen om te zien of de verdeling van de residuen verschilt van de twee resulterende datasets die aan weerszijden van de datasets liggen. centrale observaties.<\/span><\/p>\n Meestal kiezen we ervoor om ongeveer 20% van de totale waarnemingen te verwijderen. In dit geval heeft mtcars in totaal 32 observaties, dus we kunnen ervoor kiezen om de centrale 7 observaties te verwijderen:<\/span><\/p>\n Zo interpreteert u het resultaat:<\/span><\/p>\n De Goldfeld-Quandt-test gebruikt de volgende nul- en alternatieve hypothesen:<\/span><\/p>\n Omdat de p-waarde niet kleiner is dan 0,05, slagen we er niet in de nulhypothese te verwerpen. We hebben niet voldoende bewijs om te beweren dat heteroskedasticiteit aanwezig is in het regressiemodel.<\/span><\/p>\n Als u er niet in slaagt de nulhypothese van de Goldfeld-Quandt-test te verwerpen, is er geen sprake van heteroskedasticiteit en kunt u doorgaan met het interpreteren van het resultaat van de oorspronkelijke regressie.<\/span><\/p>\n Als u echter de nulhypothese verwerpt, betekent dit dat er heteroskedasticiteit aanwezig is in de gegevens. In dit geval zijn de standaardfouten die in de regressie-uitvoertabel worden weergegeven mogelijk onbetrouwbaar.<\/span><\/p>\n Er zijn verschillende veelvoorkomende manieren om dit probleem op te lossen, waaronder:<\/span><\/p>\n 1. Transformeer de responsvariabele.<\/strong><\/span><\/p>\n U kunt proberen een transformatie uit te voeren op de responsvariabele, bijvoorbeeld door de log-, vierkantswortel of derdemachtswortel<\/a> van de responsvariabele te nemen. Over het algemeen kan dit ertoe leiden dat heteroscedasticiteit verdwijnt.<\/span><\/p>\n 2. Gebruik gewogen regressie.<\/strong><\/span><\/p>\n Gewogen regressie kent een gewicht toe aan elk gegevenspunt op basis van de variantie van de aangepaste waarde. In wezen geeft dit een laag gewicht aan datapunten met grotere varianties, waardoor hun resterende kwadraten kleiner worden.<\/span><\/p>\n Wanneer de juiste gewichten worden gebruikt, kan gewogen regressie het probleem van heteroscedasticiteit elimineren.<\/span><\/p>\n Hoe meervoudige lineaire regressie uit te voeren in R<\/a> De Goldfeld-Quandt-test wordt gebruikt om te bepalen of heteroskedasticiteit aanwezig is in een regressiemodel. Heteroskedasticiteit verwijst naar de ongelijke spreiding van residuen op verschillende niveaus van eenresponsvariabele in een regressiemodel. Als er heteroscedasticiteit aanwezig is, schendt dit een van de belangrijkste aannames van lineaire regressie , namelijk dat de residuen gelijkmatig verspreid zijn op elk […]<\/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":[],"class_list":["post-1277","post","type-post","status-publish","format-standard","hentry","category-gids"],"yoast_head":"\n Stap 1: Maak een regressiemodel<\/strong><\/h3>\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 Stap 2: Voer de Goldfeld-Quandt-test uit<\/strong><\/span><\/h3>\n
\n
#load lmtest library<\/span>\nlibrary(lmtest)\n\n#perform the Goldfeld Quandt test<\/span>\ngqtest(model, order.by = ~disp+hp, data = mtcars, fraction = 7)\n\n\tGoldfeld-Quandt test\n\ndata: model\nGQ = 1.0316, df1 = 10, df2 = 9, p-value = 0.486\nalternative hypothesis: variance increases from segment 1 to 2\n<\/strong><\/pre>\n\n
\n
Wat nu te doen<\/strong><\/h3>\n
Aanvullende bronnen<\/strong><\/span><\/h3>\n
Hoe de test van White uit te voeren in R<\/a>
Hoe voer je een Breusch-Pagan-test uit in R<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"