<\/p>\n
Um dos principais pressupostos da regress\u00e3o linear<\/a> \u00e9 que n\u00e3o h\u00e1 correla\u00e7\u00e3o entre os res\u00edduos, ou seja, os res\u00edduos s\u00e3o independentes.<\/span><\/p>\n Para testar a autocorrela\u00e7\u00e3o de primeira ordem, podemos realizar um teste de Durbin-Watson<\/a> . No entanto, se quisermos testar a autocorrela\u00e7\u00e3o em ordens superiores, precisamos realizar um teste de Breusch-Godfrey<\/strong> .<\/span><\/p>\n Este teste usa as seguintes suposi\u00e7\u00f5es<\/a> :<\/span><\/p>\n H 0<\/sub> (hip\u00f3tese nula):<\/strong> N\u00e3o h\u00e1 autocorrela\u00e7\u00e3o de ordem menor ou igual a p<\/em> .<\/span><\/p>\n HA<\/sub> (hip\u00f3tese alternativa):<\/strong> Existe uma autocorrela\u00e7\u00e3o de certa ordem menor ou igual a p<\/em> .<\/span><\/p>\n A estat\u00edstica de teste segue uma distribui\u00e7\u00e3o qui-quadrado com p<\/em> graus de liberdade.<\/span><\/p>\n Se o valor p<\/a> que corresponde a esta estat\u00edstica de teste estiver abaixo de um certo n\u00edvel de signific\u00e2ncia (por exemplo, 0,05), ent\u00e3o podemos rejeitar a hip\u00f3tese nula e concluir que existe uma autocorrela\u00e7\u00e3o entre os res\u00edduos numa certa ordem inferior ou igual a p<\/em> .<\/span><\/p>\n Para realizar um teste Breusch-Godfrey em Python, voc\u00ea pode usar a fun\u00e7\u00e3o acorr_breusch_godfrey()<\/strong> da biblioteca statsmodels<\/b> .<\/span><\/p>\n O exemplo passo a passo a seguir explica como realizar o teste Breusch-Godfrey em Python.<\/span><\/p>\n Primeiro, vamos criar um conjunto de dados contendo duas vari\u00e1veis preditoras (x1 e x2) e uma vari\u00e1vel de resposta (y).<\/span><\/p>\n Ent\u00e3o podemos ajustar um modelo de regress\u00e3o linear m\u00faltipla<\/a> usando x1 e x2 como vari\u00e1veis preditoras e y como vari\u00e1vel de resposta<\/a> .<\/span><\/p>\n A seguir, realizaremos o teste de Breusch-Godfrey para testar a autocorrela\u00e7\u00e3o entre os res\u00edduos na ordem p<\/em> . Para este exemplo, escolheremos p<\/em> = 3.<\/span><\/p>\n O primeiro valor da sa\u00edda representa a estat\u00edstica de teste e o segundo valor representa o valor p correspondente.<\/span><\/p>\n Do resultado podemos ver o seguinte:<\/span><\/p>\n Como este valor p \u00e9 inferior a 0,05, podemos rejeitar a hip\u00f3tese nula e concluir que existe uma autocorrela\u00e7\u00e3o entre os res\u00edduos de ordem menor ou igual a 3.<\/span><\/p>\n Se voc\u00ea rejeitar a hip\u00f3tese nula e concluir que a autocorrela\u00e7\u00e3o est\u00e1 presente nos res\u00edduos, voc\u00ea ter\u00e1 v\u00e1rias op\u00e7\u00f5es para corrigir esse problema se consider\u00e1-lo suficientemente s\u00e9rio:<\/span><\/p>\n Um guia completo para regress\u00e3o linear em Python<\/a> Um dos principais pressupostos da regress\u00e3o linear \u00e9 que n\u00e3o h\u00e1 correla\u00e7\u00e3o entre os res\u00edduos, ou seja, os res\u00edduos s\u00e3o independentes. Para testar a autocorrela\u00e7\u00e3o de primeira ordem, podemos realizar um teste de Durbin-Watson . No entanto, se quisermos testar a autocorrela\u00e7\u00e3o em ordens superiores, precisamos realizar um teste de Breusch-Godfrey . Este teste usa […]<\/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-1637","post","type-post","status-publish","format-standard","hentry","category-guia"],"yoast_head":"\n Etapa 1: crie os dados<\/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 Passo 2: Ajustar um modelo de regress\u00e3o<\/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 Passo 3: Realize o teste Breusch-Godfrey<\/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
Como lidar com a autocorrela\u00e7\u00e3o<\/strong><\/span><\/h3>\n
\n
Recursos adicionais<\/strong><\/span><\/h3>\n
Como realizar um teste Durbin-Watson em Python<\/a>
Como realizar um teste Ljung-Box em Python<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"