<\/p>\n
O teste de White<\/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 dos res\u00edduos<\/a> em diferentes n\u00edveis de uma vari\u00e1vel de resposta<\/a> , o que viola a suposi\u00e7\u00e3o<\/a> de que os res\u00edduos est\u00e3o igualmente dispersos em cada n\u00edvel da vari\u00e1vel de resposta.<\/span><\/p>\n O exemplo passo a passo a seguir mostra como realizar o teste de White em Python para determinar se a heterocedasticidade \u00e9 ou n\u00e3o um problema em um determinado modelo de regress\u00e3o.<\/span><\/p>\n Neste exemplo, ajustaremos um modelo de regress\u00e3o linear m\u00faltipla<\/a> usando o conjunto de dados mtcars<\/strong> .<\/span><\/p>\n O c\u00f3digo a seguir mostra como carregar este conjunto de dados em um DataFrame do pandas:<\/span><\/p>\n A seguir, ajustaremos um modelo de regress\u00e3o usando mpg<\/strong> como vari\u00e1vel de resposta e disp<\/strong> e hp<\/strong> como duas vari\u00e1veis preditoras:<\/span><\/p>\n A seguir, usaremos a fun\u00e7\u00e3o het_white()<\/a> do pacote statsmodels para realizar o teste de White para determinar se a heterocedasticidade est\u00e1 presente no modelo de regress\u00e3o:<\/span><\/p>\n Veja como interpretar o resultado:<\/span><\/p>\n O teste de White 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.<\/span><\/p>\n Isto significa que 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 de White, ent\u00e3o a heterocedasticidade n\u00e3o estar\u00e1 presente e voc\u00ea poder\u00e1 interpretar o resultado da regress\u00e3o original.<\/span><\/p>\n No entanto, se voc\u00ea rejeitar a hip\u00f3tese nula, isso significa que h\u00e1 heterocedasticidade. Neste caso, os erros padr\u00e3o exibidos na tabela de resultados da regress\u00e3o podem n\u00e3o ser confi\u00e1veis.<\/span><\/p>\n Existem duas maneiras comuns de resolver esse problema:<\/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. Isso geralmente resulta no desaparecimento da heterocedasticidade.<\/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. Quando os pesos apropriados s\u00e3o usados, isso pode eliminar o problema da heterocedasticidade.<\/span><\/p>\n Os tutoriais a seguir fornecem informa\u00e7\u00f5es adicionais sobre regress\u00e3o linear em Python:<\/span><\/p>\n Um guia completo para regress\u00e3o linear em Python<\/a> O teste de White \u00e9 usado para determinar se a heterocedasticidade est\u00e1 presente em um modelo de regress\u00e3o. A heterocedasticidade refere-se \u00e0 dispers\u00e3o desigual dos res\u00edduos em diferentes n\u00edveis de uma vari\u00e1vel de resposta , o que viola a suposi\u00e7\u00e3o de que os res\u00edduos est\u00e3o igualmente dispersos em cada n\u00edvel da vari\u00e1vel de resposta. O […]<\/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-2469","post","type-post","status-publish","format-standard","hentry","category-guia"],"yoast_head":"\n Etapa 1: carregar dados<\/strong><\/h3>\n
from<\/span> sklearn. linear_model<\/span> import<\/span> LinearRegression\nfrom<\/span> statsmodels. stats<\/span> . diagnostic<\/span> import<\/span> het_white\nimport<\/span> statsmodels. api<\/span> as<\/span> sm\nimport<\/span> pandas as<\/span> pd\n\n#define URL where dataset is located\n<\/span>url = \"https:\/\/raw.githubusercontent.com\/Statorials\/Python-Guides\/main\/mtcars.csv\"\n\n#read in data\n<\/span>data = pd. read_csv<\/span> (url)\n\n#view summary of data\n<\/span>data. info<\/span> ()\n\n<class 'pandas.core.frame.DataFrame'>\nRangeIndex: 32 entries, 0 to 31\nData columns (total 12 columns):\n # Column Non-Null Count Dtype \n--- ------ -------------- ----- \n 0 model 32 non-null object \n 1 mpg 32 non-null float64\n 2 cyl 32 non-null int64 \n 3 disp 32 non-null float64\n 4 hp 32 non-null int64 \n 5 drat 32 non-null float64\n 6 wt 32 non-null float64\n 7 qsec 32 non-null float64\n 8 vs 32 non-null int64 \n 9 am 32 non-null int64 \n 10 gear 32 non-null int64 \n 11 carb 32 non-null int64 \ndtypes: float64(5), int64(6), object(1)\n<\/strong><\/pre>\n Passo 2: Ajustar o modelo de regress\u00e3o<\/strong><\/h3>\n
#define response variable\n<\/span>y = data[' mpg<\/span> ']\n\n#define predictor variables\n<\/span>x = data[[' disp<\/span> ', ' hp<\/span> ']]\n\n#add constant to predictor variables\n<\/span>x = sm. add_constant<\/span> (x)\n\n#fit regression model\n<\/span>model = sm. OLS<\/span> (y,x). fit<\/span> ()<\/strong><\/pre>\n Passo 3: Realize o teste de White<\/strong><\/span><\/h3>\n
#perform White's test\n<\/span>white_test = het_white(model. resid<\/span> , model. model<\/span> . exog<\/span> )\n\n#define labels to use for output of White's test\n<\/span>labels = ['Test Statistic', 'Test Statistic p-value', 'F-Statistic', 'F-Test p-value']\n\n#print results of White's test\nprint<\/span><\/span> (dict(zip(labels, white_test)))\n\n{'Test Statistic': 7.076620330416624, 'Test Statistic p-value': 0.21500404394263936,\n 'F-Statistic': 1.4764621093131864, 'F-Test p-value': 0.23147065943879694}<\/strong><\/pre>\n\n
\n
O que fazer a seguir<\/strong><\/h3>\n
Recursos adicionais<\/strong><\/span><\/h3>\n
Como criar um gr\u00e1fico residual em Python<\/a>
Como calcular VIF em Python<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"