<\/p>\n
De Goldfeld-Quandt-test<\/strong> wordt gebruikt om te bepalen of heteroskedasticiteit<\/a> aanwezig is in een regressiemodel.<\/span><\/p>\n Heteroscedasticiteit verwijst naar de ongelijke spreiding van residuen<\/a> op verschillende niveaus van eenresponsvariabele<\/a> in een regressiemodel.<\/span><\/p>\n Als heteroskedasticiteit 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 Python uitvoert.<\/span><\/p>\n Laten we voor dit voorbeeld het volgende panda’s DataFrame maken dat informatie bevat over de gestudeerde uren, de afgelegde voorbereidende examens en de eindexamenresultaten behaald door 13 leerlingen in een klas:<\/span><\/p>\n Vervolgens passen we een meervoudig lineair regressiemodel toe, waarbij we uren<\/strong> en examens<\/strong> gebruiken als voorspellende variabelen en de score<\/strong> als responsvariabele:<\/span><\/p>\n Vervolgens zullen we de functie statsmodels<\/strong> het_goldfeldquandt()<\/strong> gebruiken om de Goldfeld-Quandt-test uit te voeren.<\/span><\/p>\n Opmerking<\/strong> : De Goldfeld-Quandt-test werkt door een aantal waarnemingen te verwijderen die zich in het midden van de dataset bevinden en vervolgens te testen om te zien of de verdeling van de residuen verschilt van de twee resulterende datasets die aan elke kant van de centrale waarnemingen binden.<\/span><\/p>\n Meestal kiezen we ervoor om ongeveer 20% van de totale waarnemingen te verwijderen. In dit geval kunnen we het drop-<\/strong> argument gebruiken om aan te geven dat we 20% van de observaties willen 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.<\/span><\/p>\n We hebben niet voldoende bewijs om te beweren dat heteroskedasticiteit een probleem 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 heteroscedasticiteit 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 ervoor zorgen dat heteroskedasticiteit 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 heteroskedasticiteit elimineren.<\/span><\/p>\n In de volgende tutorials wordt uitgelegd hoe u andere veelvoorkomende bewerkingen in Python uitvoert:<\/span><\/p>\n Hoe OLS-regressie uit te voeren in Python<\/a> De Goldfeld-Quandt-test wordt gebruikt om te bepalen of heteroskedasticiteit aanwezig is in een regressiemodel. Heteroscedasticiteit verwijst naar de ongelijke spreiding van residuen op verschillende niveaus van eenresponsvariabele in een regressiemodel. Als heteroskedasticiteit aanwezig is, schendt dit een van de belangrijkste aannames van lineaire regressie , namelijk dat de residuen gelijkmatig verspreid zijn op elk niveau […]<\/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-3814","post","type-post","status-publish","format-standard","hentry","category-gids"],"yoast_head":"\n Stap 1: Maak de gegevensset<\/strong><\/h2>\n
import<\/span> pandas as<\/span> pd\n\n#createDataFrame\n<\/span>df = pd. DataFrame<\/span> ({' hours<\/span> ': [1, 2, 2, 4, 2, 1, 5, 4, 2, 4, 4, 3, 6],\n ' exams<\/span> ': [1, 3, 3, 5, 2, 2, 1, 1, 0, 3, 4, 3, 2],\n ' score<\/span> ': [76, 78, 85, 88, 72, 69, 94, 94, 88, 92, 90, 75, 96]})\n\n#view DataFrame\n<\/span>print<\/span> (df)\n\n hours exam score\n0 1 1 76\n1 2 3 78\n2 2 3 85\n3 4 5 88\n4 2 2 72\n5 1 2 69\n6 5 1 94\n7 4 1 94\n8 2 0 88\n9 4 3 92\n10 4 4 90\n11 3 3 75\n12 6 2 96<\/strong><\/pre>\n Stap 2: Pas het lineaire regressiemodel aan<\/strong><\/span><\/h2>\n
import<\/span> statsmodels. api<\/span> as<\/span> sm\n\n#define predictor and response variables\n<\/span>y = df[' score<\/span> ']\nx = df[[' hours<\/span> ', ' exams<\/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\n#view model summary\n<\/span>print<\/span> ( model.summary<\/span> ())\n\n OLS Regression Results \n==================================================== ============================\nDept. Variable: R-squared score: 0.718\nModel: OLS Adj. R-squared: 0.661\nMethod: Least Squares F-statistic: 12.70\nDate: Mon, 31 Oct 2022 Prob (F-statistic): 0.00180\nTime: 09:22:56 Log-Likelihood: -38.618\nNo. Observations: 13 AIC: 83.24\nDf Residuals: 10 BIC: 84.93\nModel: 2 \nCovariance Type: non-robust \n==================================================== ============================\n coef std err t P>|t| [0.025 0.975]\n-------------------------------------------------- ----------------------------\nconst 71.4048 4.001 17.847 0.000 62.490 80.319\nhours 5.1275 1.018 5.038 0.001 2.860 7.395\nexams -1.2121 1.147 -1.057 0.315 -3.768 1.344\n==================================================== ============================\nOmnibus: 1,103 Durbin-Watson: 1,248\nProb(Omnibus): 0.576 Jarque-Bera (JB): 0.803\nSkew: -0.289 Prob(JB): 0.669\nKurtosis: 1.928 Cond. No. 11.7\n==================================================== ============================\n<\/strong><\/span><\/pre>\n Stap 3: Voer de Goldfeld-Quandt-test uit<\/strong><\/span><\/h2>\n
#perform Goldfeld-Quandt test\n<\/span>sm. stats<\/span> . diagnosis<\/span> . het_goldfeldquandt<\/span> (y, x, drop= 0.2<\/span> )\n\n(1.7574505407790355, 0.38270288684680076, 'increasing')<\/strong><\/pre>\n\n
\n
Wat nu te doen<\/strong><\/h2>\n
Aanvullende bronnen<\/strong><\/span><\/h2>\n
Hoe u een restplot maakt in Python<\/a>
Hoe de test van White in Python uit te voeren<\/a>
Hoe een Breusch-Pagan-test uit te voeren in Python<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"