<\/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 uma das principais suposi\u00e7\u00f5es 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 Python.<\/span><\/p>\n Para este exemplo, vamos criar o seguinte DataFrame do pandas que cont\u00e9m informa\u00e7\u00f5es sobre horas estudadas, exames preparat\u00f3rios realizados e resultados de exames finais obtidos por 13 alunos em uma turma:<\/span><\/p>\n A seguir, ajustaremos um modelo de regress\u00e3o linear m\u00faltipla usando horas<\/strong> e exames<\/strong> como vari\u00e1veis preditoras e pontua\u00e7\u00e3o<\/strong> como vari\u00e1vel resposta:<\/span><\/p>\n A seguir, usaremos a fun\u00e7\u00e3o statsmodels<\/strong> het_goldfeldquandt()<\/strong> para realizar o teste Goldfeld-Quandt.<\/span><\/p>\n Nota<\/strong> : 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 se ligam em cada lado das observa\u00e7\u00f5es centrais.<\/span><\/p>\n Normalmente, optamos por remover cerca de 20% do total de observa\u00e7\u00f5es. Neste caso, podemos usar o argumento drop<\/strong> para especificar que queremos remover 20% das observa\u00e7\u00f5es:<\/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.<\/span><\/p>\n N\u00e3o temos evid\u00eancias suficientes para argumentar que a heterocedasticidade \u00e9 um problema 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 com a interpreta\u00e7\u00e3o do 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 Os tutoriais a seguir explicam como realizar outras opera\u00e7\u00f5es comuns em Python:<\/span><\/p>\n Como realizar regress\u00e3o OLS em Python<\/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 uma das principais suposi\u00e7\u00f5es 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-3813","post","type-post","status-publish","format-standard","hentry","category-guia"],"yoast_head":"\n Etapa 1: crie o conjunto de dados<\/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 Passo 2: Ajustar o modelo de regress\u00e3o linear<\/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 Passo 3: Realize o teste Goldfeld-Quandt<\/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
O que fazer a seguir<\/strong><\/h2>\n
Recursos adicionais<\/strong><\/span><\/h2>\n
Como criar um gr\u00e1fico residual em Python<\/a>
Como realizar o teste de White em Python<\/a>
Como realizar um teste Breusch-Pagan em Python<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"