วิธีทำการทดสอบ chow ใน python

การทดสอบ Chow ใช้เพื่อทดสอบว่าค่าสัมประสิทธิ์ของแบบจำลองการถดถอยที่แตกต่างกันสองชุดในชุดข้อมูลที่ต่างกันเท่ากันหรือไม่

โดยทั่วไปการทดสอบนี้จะใช้ในด้านเศรษฐมิติด้วยข้อมูลอนุกรมเวลาเพื่อพิจารณาว่าข้อมูลมีการแบ่งแยกทางโครงสร้าง ณ จุดใดเวลาหนึ่งหรือไม่

ตัวอย่างทีละขั้นตอนต่อไปนี้แสดงวิธีดำเนินการทดสอบ Chow ใน Python

ขั้นตอนที่ 1: สร้างข้อมูล

ขั้นแรก เราจะสร้างข้อมูลปลอม:

 import pandas as pd

#createDataFrame
df = pd. DataFrame ({' x ': [1, 1, 2, 3, 4, 4, 5, 5, 6, 7, 7, 8, 8, 9, 10, 10,
                         11, 12, 12, 13, 14, 15, 15, 16, 17, 18, 18, 19, 20, 20],
                   ' y ': [3, 5, 6, 10, 13, 15, 17, 14, 20, 23, 25, 27, 30, 30, 31,
                         33, 32, 32, 30, 32, 34, 34, 37, 35, 34, 36, 34, 37, 38, 36]})

#view first five rows of DataFrame
df. head ()

        x y
0 1 3
1 1 5
2 2 6
3 3 10
4 4 13

ขั้นตอนที่ 2: แสดงภาพข้อมูล

ต่อไป เราจะสร้าง Scatterplot แบบง่ายๆ เพื่อแสดงข้อมูลเป็นภาพ:

 import matplotlib. pyplot as plt

#create scatterplot
plt. plot (df. x , df. y , ' o ')

จากแผนภาพกระจาย เราจะเห็นว่าแนวโน้มของข้อมูลมีการเปลี่ยนแปลงที่ x = 10

ดังนั้นเราจึงสามารถทำการทดสอบ Chow เพื่อพิจารณาว่ามีจุดพักเชิงโครงสร้างในข้อมูลที่ x = 10 หรือไม่

ขั้นตอนที่ 3: ทำการทดสอบ Chow

เราสามารถใช้ฟังก์ชัน chowtest ของแพ็คเกจ chowtest ใน Python เพื่อทำการทดสอบ Chow

ก่อนอื่น เราต้องติดตั้งแพ็คเกจนี้โดยใช้ pip:

 pip install chowtest

จากนั้นเราสามารถใช้ไวยากรณ์ต่อไปนี้เพื่อทำการทดสอบ Chow:

 from chow_test import chowtest

chowtest ( y=df[[' y ']],
         last_index_in_model_1= 15 ,
         first_index_in_model_2= 16 ,
         significance_level= .05 )

************************************************** *********************************
Reject the null hypothesis of equality of regression coefficients in the 2 periods.
************************************************** *********************************
Chow Statistic: 118.14097335479373 p value: 0.0
************************************************** *********************************
(118.14097335479373, 1.1102230246251565e-16)

ต่อไปนี้คือความหมายของแต่ละอาร์กิวเมนต์ในฟังก์ชัน chowtest() :

• y : ตัวแปรตอบสนองใน DataFrame
• x : ตัวแปรทำนายใน DataFrame
• Last_index_in_model_1 : ค่าดัชนีของจุดสุดท้ายก่อนการแตกโครงสร้าง
• first_index_in_model_2 : ค่าดัชนีสำหรับจุดแรกหลังจากการแตกโครงสร้าง
• นัยสำคัญ_ระดับ : ระดับนัยสำคัญที่จะใช้สำหรับการทดสอบสมมติฐาน

จากผลการทดสอบเราจะเห็นได้ว่า:

• สถิติ การทดสอบ F : 118.14
• ค่า p: <.0000

เนื่องจากค่า p น้อยกว่า 0.05 เราจึงสามารถปฏิเสธสมมติฐานว่างของการทดสอบได้ ซึ่งหมายความว่าเรามีหลักฐานเพียงพอที่จะบอกว่ามีเบรกพอยต์เชิงโครงสร้างอยู่ในข้อมูล

กล่าวอีกนัยหนึ่ง เส้นการถดถอยสองเส้นสามารถใส่แบบจำลองในข้อมูลได้อย่างมีประสิทธิภาพมากกว่าเส้นการถดถอยเส้นเดียว

แหล่งข้อมูลเพิ่มเติม

บทช่วยสอนต่อไปนี้จะอธิบายวิธีดำเนินการทดสอบทั่วไปอื่นๆ ใน Python:

วิธีการทดสอบ Granger Causality ใน Python
วิธีทำการทดสอบ Breusch-Pagan ใน Python
วิธีทำการทดสอบของ White ใน Python