<\/p>\n
Jednym z kluczowych za\u0142o\u017ce\u0144 regresji liniowej<\/a> jest to, \u017ce pomi\u0119dzy resztami nie ma korelacji, co oznacza, \u017ce reszty s\u0105 niezale\u017cne.<\/span><\/p>\n Aby sprawdzi\u0107 autokorelacj\u0119 pierwszego rz\u0119du, mo\u017cemy wykona\u0107 test Durbina-Watsona<\/a> . Je\u015bli jednak chcemy przetestowa\u0107 autokorelacj\u0119 przy wy\u017cszych rz\u0119dach, musimy wykona\u0107 test Breuscha-Godfreya<\/strong> .<\/span><\/p>\n W tym te\u015bcie przyj\u0119to nast\u0119puj\u0105ce za\u0142o\u017cenia<\/a> :<\/span><\/p>\n H 0<\/sub> (hipoteza zerowa):<\/strong> Nie ma autokorelacji rz\u0119du mniejszego lub r\u00f3wnego p<\/em> .<\/span><\/p>\n H A<\/sub> (hipoteza alternatywna):<\/strong> Istnieje autokorelacja pewnego rz\u0119du mniejszego lub r\u00f3wnego p<\/em> .<\/span><\/p>\n Statystyka testowa ma rozk\u0142ad chi-kwadrat z p<\/em> stopniami swobody.<\/span><\/p>\n Je\u017celi warto\u015b\u0107 p<\/a> odpowiadaj\u0105ca tej statystyce testowej jest poni\u017cej pewnego poziomu istotno\u015bci (np. 0,05), w\u00f3wczas mo\u017cemy odrzuci\u0107 hipotez\u0119 zerow\u0105 i stwierdzi\u0107, \u017ce istnieje autokorelacja pomi\u0119dzy resztami na pewnym ni\u017cszym poziomie lub r\u00f3wnymi p<\/em> .<\/span><\/p>\n Aby wykona\u0107 test Breuscha-Godfreya w Pythonie, mo\u017cesz u\u017cy\u0107 funkcji acorr_breusch_godfrey()<\/strong> z biblioteki statsmodels<\/b> .<\/span><\/p>\n Poni\u017cszy przyk\u0142ad krok po kroku wyja\u015bnia, jak wykona\u0107 test Breuscha-Godfreya w Pythonie.<\/span><\/p>\n Najpierw utw\u00f3rzmy zbi\u00f3r danych zawieraj\u0105cy dwie zmienne predykcyjne (x1 i x2) oraz zmienn\u0105 odpowiedzi (y).<\/span><\/p>\n Nast\u0119pnie mo\u017cemy dopasowa\u0107 model regresji liniowej<\/a> , u\u017cywaj\u0105c x1 i x2 jako zmiennych predykcyjnych oraz y jakozmiennej odpowiedzi<\/a> .<\/span><\/p>\n Nast\u0119pnie przeprowadzimy test Breuscha-Godfreya, aby sprawdzi\u0107 autokorelacj\u0119 mi\u0119dzy resztami rz\u0119du p<\/em> . W tym przyk\u0142adzie wybierzemy p<\/em> = 3.<\/span><\/p>\n Pierwsza warto\u015b\u0107 wyniku reprezentuje statystyk\u0119 testow\u0105, a druga warto\u015b\u0107 reprezentuje odpowiedni\u0105 warto\u015b\u0107 p.<\/span><\/p>\n Z wyniku mo\u017cemy zobaczy\u0107, co nast\u0119puje:<\/span><\/p>\n Poniewa\u017c ta warto\u015b\u0107 p jest mniejsza ni\u017c 0,05, mo\u017cemy odrzuci\u0107 hipotez\u0119 zerow\u0105 i stwierdzi\u0107, \u017ce istnieje autokorelacja mi\u0119dzy resztami rz\u0119du mniejszego lub r\u00f3wnego 3.<\/span><\/p>\n Je\u015bli odrzucisz hipotez\u0119 zerow\u0105 i dojdziesz do wniosku, \u017ce w resztach wyst\u0119puje autokorelacja, masz kilka mo\u017cliwo\u015bci rozwi\u0105zania tego problemu, je\u015bli uznasz go za wystarczaj\u0105co powa\u017cny:<\/span><\/p>\n Kompletny przewodnik po regresji liniowej w Pythonie<\/a> Jednym z kluczowych za\u0142o\u017ce\u0144 regresji liniowej jest to, \u017ce pomi\u0119dzy resztami nie ma korelacji, co oznacza, \u017ce reszty s\u0105 niezale\u017cne. Aby sprawdzi\u0107 autokorelacj\u0119 pierwszego rz\u0119du, mo\u017cemy wykona\u0107 test Durbina-Watsona . Je\u015bli jednak chcemy przetestowa\u0107 autokorelacj\u0119 przy wy\u017cszych rz\u0119dach, musimy wykona\u0107 test Breuscha-Godfreya . W tym te\u015bcie przyj\u0119to nast\u0119puj\u0105ce za\u0142o\u017cenia : H 0 (hipoteza zerowa): Nie […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[3],"tags":[],"class_list":["post-1636","post","type-post","status-publish","format-standard","hentry","category-przewodnik"],"yoast_head":"\n Krok 1: Utw\u00f3rz dane<\/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 Krok 2: Dopasuj model regresji<\/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 Krok 3: Wykonaj test Breuscha-Godfreya<\/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
Jak sobie radzi\u0107 z autokorelacj\u0105<\/strong><\/span><\/h3>\n
\n
Dodatkowe zasoby<\/strong><\/span><\/h3>\n
Jak wykona\u0107 test Durbina-Watsona w Pythonie<\/a>
Jak wykona\u0107 test Ljung-Box w Pythonie<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"