<\/p>\n
O teste Goldfeld-Quandt<\/strong> \u00e9 usado para determinar se a heterocedasticidade<\/a> est\u00e1 presente em um modelo de regress\u00e3o.<\/span><\/p>\n A heterocedasticidade refere-se \u00e0 dispers\u00e3o desigual de res\u00edduos<\/a> em diferentes n\u00edveis de uma vari\u00e1vel resposta<\/a> em um modelo de regress\u00e3o.<\/span><\/p>\n Se a heterocedasticidade estiver presente, isso viola um dos principais pressupostos da regress\u00e3o linear<\/a> de que os res\u00edduos est\u00e3o igualmente dispersos em cada n\u00edvel da vari\u00e1vel de resposta.<\/span><\/p>\n Este tutorial fornece um exemplo passo a passo de como realizar o teste Goldfeld-Quandt em R para determinar se a heterocedasticidade est\u00e1 presente ou n\u00e3o em um determinado modelo de regress\u00e3o.<\/span><\/p>\n Primeiro, criaremos um modelo de regress\u00e3o linear m\u00faltipla<\/a> usando o conjunto de dados mtcars<\/strong> integrado ao R:<\/span><\/p>\n A seguir, usaremos a fun\u00e7\u00e3o gqtest()<\/b> do pacote lmtest<\/strong> para realizar o teste Goldfeld-Quandt para determinar se a heterocedasticidade est\u00e1 presente.<\/span><\/p>\n Esta fun\u00e7\u00e3o usa a seguinte sintaxe:<\/span><\/p>\n gqtest(modelo, order.by, dados, fra\u00e7\u00e3o)<\/span><\/strong><\/p>\n Ouro:<\/span><\/p>\n *O teste Goldfeld-Quandt funciona removendo uma s\u00e9rie de observa\u00e7\u00f5es localizadas no centro do conjunto de dados e depois testando para ver se a distribui\u00e7\u00e3o dos res\u00edduos \u00e9 diferente dos dois conjuntos de dados resultantes que ficam em ambos os lados dos conjuntos de dados. observa\u00e7\u00f5es centrais.<\/span><\/p>\n Normalmente, optamos por remover cerca de 20% do total de observa\u00e7\u00f5es. Neste caso, mtcars tem 32 observa\u00e7\u00f5es no total, ent\u00e3o podemos optar por remover as 7 observa\u00e7\u00f5es centrais:<\/span><\/p>\n Veja como interpretar o resultado:<\/span><\/p>\n O teste Goldfeld-Quandt utiliza as seguintes hip\u00f3teses nulas e alternativas:<\/span><\/p>\n Como o valor p n\u00e3o \u00e9 inferior a 0,05, n\u00e3o rejeitamos a hip\u00f3tese nula. N\u00e3o temos evid\u00eancias suficientes para afirmar que a heterocedasticidade est\u00e1 presente no modelo de regress\u00e3o.<\/span><\/p>\n Se voc\u00ea n\u00e3o rejeitar a hip\u00f3tese nula do teste Goldfeld-Quandt, ent\u00e3o a heterocedasticidade n\u00e3o estar\u00e1 presente e voc\u00ea poder\u00e1 prosseguir para interpretar o resultado da regress\u00e3o original.<\/span><\/p>\n Por\u00e9m, se voc\u00ea rejeitar a hip\u00f3tese nula, significa que a heterocedasticidade est\u00e1 presente nos dados. Neste caso, os erros padr\u00e3o exibidos na tabela de resultados da regress\u00e3o podem n\u00e3o ser confi\u00e1veis.<\/span><\/p>\n Existem v\u00e1rias maneiras comuns de resolver esse problema, incluindo:<\/span><\/p>\n 1. Transforme a vari\u00e1vel de resposta.<\/strong><\/span><\/p>\n Voc\u00ea pode tentar realizar uma transforma\u00e7\u00e3o na vari\u00e1vel de resposta, por exemplo, obtendo o log, a raiz quadrada ou a raiz c\u00fabica<\/a> da vari\u00e1vel de resposta. Geralmente, isso pode fazer com que a heterocedasticidade desapare\u00e7a.<\/span><\/p>\n 2. Use regress\u00e3o ponderada.<\/strong><\/span><\/p>\n A regress\u00e3o ponderada atribui um peso a cada ponto de dados com base na vari\u00e2ncia do seu valor ajustado. Essencialmente, isso atribui pesos baixos aos pontos de dados que possuem vari\u00e2ncias mais altas, reduzindo seus quadrados residuais.<\/span><\/p>\n Quando os pesos apropriados s\u00e3o usados, a regress\u00e3o ponderada pode eliminar o problema da heterocedasticidade.<\/span><\/p>\n Como realizar regress\u00e3o linear m\u00faltipla em R<\/a> O teste Goldfeld-Quandt \u00e9 usado para determinar se a heterocedasticidade est\u00e1 presente em um modelo de regress\u00e3o. A heterocedasticidade refere-se \u00e0 dispers\u00e3o desigual de res\u00edduos em diferentes n\u00edveis de uma vari\u00e1vel resposta em um modelo de regress\u00e3o. Se a heterocedasticidade estiver presente, isso viola um dos principais pressupostos da regress\u00e3o linear de que os res\u00edduos […]<\/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-1276","post","type-post","status-publish","format-standard","hentry","category-guia"],"yoast_head":"\n Etapa 1: crie um modelo de regress\u00e3o<\/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 Passo 2: Realize o teste Goldfeld-Quandt<\/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
O que fazer a seguir<\/strong><\/h3>\n
Recursos adicionais<\/strong><\/span><\/h3>\n
Como realizar o teste de White em R<\/a>
Como realizar um teste de Breusch-Pagan em R<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"