<\/p>\n
Een van de belangrijkste aannames van lineaire regressie<\/a> is dat er geen correlatie bestaat tussen de residuen, dat wil zeggen dat de residuen onafhankelijk zijn.<\/span><\/p>\n Om te testen op autocorrelatie van de eerste orde kunnen we een Durbin-Watson-test<\/a> uitvoeren. Als we echter willen testen op autocorrelatie bij hogere ordes, moeten we een Breusch-Godfrey-test<\/strong> uitvoeren.<\/span><\/p>\n Deze test maakt gebruik van de volgende aannames<\/a> :<\/span><\/p>\n H 0<\/sub> (nulhypothese):<\/strong> Er is geen autocorrelatie van een orde kleiner dan of gelijk aan p<\/em> .<\/span><\/p>\n H A<\/sub> (alternatieve hypothese):<\/strong> Er bestaat een autocorrelatie van een bepaalde orde kleiner dan of gelijk aan p<\/em> .<\/span><\/p>\n De teststatistiek volgt een Chi-kwadraatverdeling met p<\/em> vrijheidsgraden.<\/span><\/p>\n Als de p-waarde<\/a> die overeenkomt met deze teststatistiek onder een bepaald significantieniveau ligt (bijvoorbeeld 0,05), dan kunnen we de nulhypothese verwerpen en concluderen dat er een autocorrelatie bestaat tussen de residuen van een bepaalde lagere orde of gelijk aan p<\/em> .<\/span><\/p>\n Om een Breusch-Godfrey-test in Python uit te voeren, kunt u de functie acorr_breusch_godfrey()<\/strong> uit de statsmodels-<\/b> bibliotheek gebruiken.<\/span><\/p>\n In het volgende stapsgewijze voorbeeld wordt uitgelegd hoe u de Breusch-Godfrey-test in Python uitvoert.<\/span><\/p>\n Laten we eerst een gegevensset maken met twee voorspellende variabelen (x1 en x2) en een responsvariabele (y).<\/span><\/p>\n Vervolgens kunnen we een meervoudig lineair regressiemodel<\/a> opstellen met x1 en x2 als voorspellende variabelen en y alsresponsvariabele<\/a> .<\/span><\/p>\n Vervolgens zullen we de Breusch-Godfrey-test uitvoeren om te testen op autocorrelatie tussen de residuen bij volgorde p<\/em> . Voor dit voorbeeld kiezen we p<\/em> = 3.<\/span><\/p>\n De eerste waarde van de uitvoer vertegenwoordigt de teststatistiek en de tweede waarde vertegenwoordigt de overeenkomstige p-waarde.<\/span><\/p>\n Uit het resultaat kunnen we het volgende zien:<\/span><\/p>\n Omdat deze p-waarde kleiner is dan 0,05, kunnen we de nulhypothese verwerpen en concluderen dat er een autocorrelatie bestaat tussen de residuen van orde kleiner dan of gelijk aan 3.<\/span><\/p>\n Als je de nulhypothese verwerpt en concludeert dat er autocorrelatie aanwezig is in de residuen, dan heb je verschillende opties om dit probleem te corrigeren als je het ernstig genoeg acht:<\/span><\/p>\n Een complete gids voor lineaire regressie in Python<\/a> Een van de belangrijkste aannames van lineaire regressie is dat er geen correlatie bestaat tussen de residuen, dat wil zeggen dat de residuen onafhankelijk zijn. Om te testen op autocorrelatie van de eerste orde kunnen we een Durbin-Watson-test uitvoeren. Als we echter willen testen op autocorrelatie bij hogere ordes, moeten we een Breusch-Godfrey-test uitvoeren. Deze […]<\/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-1638","post","type-post","status-publish","format-standard","hentry","category-gids"],"yoast_head":"\n Stap 1: Cre\u00eber de gegevens<\/strong><\/span><\/h3>\n
import<\/span> pandas as<\/span> pd<\/span>\n\n#create dataset<\/span>\ndf = pd. DataFrame<\/span> ({' x1<\/span> ': [3, 4, 4, 5, 8, 9, 11, 13, 14, 16, 17, 20],\n ' x2<\/span> ': [7, 7, 8, 8, 12, 4, 5, 15, 9, 17, 19, 19],\n ' y<\/span> ': [24, 25, 25, 27, 29, 31, 34, 34, 39, 30, 40, 49]})\n\n#view first five rows of dataset\n<\/span>df. head<\/span> ()\n\n\tx1 x2 y\n0 3 7 24\n1 4 7 25\n2 4 8 25\n3 5 8 27\n4 8 12 29\n<\/strong><\/pre>\n Stap 2: Pas een regressiemodel toe<\/strong><\/span><\/h3>\n
import<\/span> statsmodels. api<\/span> as<\/span> sm\n\n#define response variable\n<\/span>y = df[' y<\/span> ']\n\n#define predictor variables\n<\/span>x = df[[' x1<\/span> ', ' x2<\/span> ']]\n\n#add constant to predictor variables\n<\/span>x = sm. add_constant<\/span> (x)\n\n#fit linear regression model\n<\/span>model = sm. OLS<\/span> (y,x). fit<\/span> ()\n<\/strong><\/span><\/pre>\n Stap 3: Voer de Breusch-Godfrey-test uit<\/strong><\/span><\/h3>\n
import<\/span> statsmodels. stats<\/span> . diagnosis<\/span> as<\/span> dg\n<\/span>\n#perform Breusch-Godfrey test at order p<\/em> = 3\nprint<\/span> (dg. acorr_breusch_godfrey<\/span> (model, nlags= 3<\/span> ))\n\n(8.70314827, 0.0335094873, 5.27967224, 0.0403980576)\n<\/span><\/span><\/strong><\/span><\/pre>\n\n
Hoe om te gaan met autocorrelatie<\/strong><\/span><\/h3>\n
\n
Aanvullende bronnen<\/strong><\/span><\/h3>\n
Hoe u een Durbin-Watson-test uitvoert in Python<\/a>
Hoe een Ljung-Box-test uit te voeren in Python<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"