วิธีทำการทดสอบ breusch-pagan ใน r

การทดสอบ Breusch-Pagan ใช้เพื่อตรวจสอบว่ามี ความต่างกัน ในการวิเคราะห์การถดถอยหรือไม่

บทช่วยสอนนี้จะอธิบายวิธีดำเนินการทดสอบ Breusch-Pagan ใน R

ตัวอย่าง: การทดสอบ Breusch-Pagan ใน R

ในตัวอย่างนี้ เราจะปรับโมเดลการถดถอยให้เหมาะสมโดยใช้ชุดข้อมูล R ในตัวของ mtcars จากนั้นทำการทดสอบ Breusch-Pagan โดยใช้ฟังก์ชัน bptest จากไลบรารี lmtest เพื่อพิจารณาว่ามีความต่างแบบเฮเทอโรสเคดาสติกหรือไม่

ขั้นตอนที่ 1: ติดตั้งแบบจำลองการถดถอย

ขั้นแรก เราจะปรับโมเดลการถดถอยโดยใช้ mpg เป็นตัวแปรตอบสนอง และใช้ disp และ hp เป็นตัวแปรอธิบายสองตัว

 #load the dataset
data(mtcars)

#fit a regression model
model <- lm(mpg~disp+hp, data=mtcars)

#view model summary
summary(model)

Coefficients:
             Estimate Std. Error t value Pr(>|t|)    
(Intercept) 30.735904 1.331566 23.083 < 2nd-16 ***
available -0.030346 0.007405 -4.098 0.000306 ***
hp -0.024840 0.013385 -1.856 0.073679 .  
---
Significant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Residual standard error: 3.127 on 29 degrees of freedom
Multiple R-squared: 0.7482, Adjusted R-squared: 0.7309 
F-statistic: 43.09 on 2 and 29 DF, p-value: 2.062e-09

ขั้นตอนที่ 2: ทำการทดสอบ Breusch-Pagan

ต่อไป เราจะทำการทดสอบ Breusch-Pagan เพื่อตรวจสอบว่ามีความต่างกันหรือไม่

 #load lmtest library
library(lmtest)

#perform Breusch-Pagan Test
bptest(model)

	studentized Breusch-Pagan test

data: model
BP = 4.0861, df = 2, p-value = 0.1296

สถิติการทดสอบคือ 4.0861 และค่า p ที่สอดคล้องกันคือ 0.1296 เนื่องจากค่า p ไม่น้อยกว่า 0.05 เราจึงไม่สามารถปฏิเสธสมมติฐานว่างได้ เราไม่มีหลักฐานเพียงพอที่จะอ้างว่ามีความต่างกันในแบบจำลองการถดถอย

จะทำอย่างไรต่อไป

หากคุณล้มเหลวในการปฏิเสธสมมติฐานว่างของการทดสอบ Breusch-Pagan แสดงว่าไม่มีภาวะเฮเทอโรสเคดาสติก และคุณสามารถดำเนินการตีความผลลัพธ์ของการถดถอยดั้งเดิมได้

อย่างไรก็ตาม หากคุณปฏิเสธสมมติฐานว่าง นั่นหมายความว่าข้อมูลมีความต่างกันออกไป ในกรณีนี้ ข้อผิดพลาดมาตรฐานที่แสดงในตารางผลลัพธ์การถดถอยอาจไม่น่าเชื่อถือ

มีวิธีทั่วไปหลายวิธีในการแก้ไขปัญหานี้ ได้แก่:

1. แปลงตัวแปรการตอบสนอง คุณสามารถลองทำการแปลงตัวแปรตอบสนองได้ ตัวอย่างเช่น คุณสามารถใช้ ตัวแปรตอบกลับของบันทึก แทนตัวแปรตอบกลับดั้งเดิมได้ โดยทั่วไป การเก็บบันทึกของตัวแปรตอบสนองเป็นวิธีที่มีประสิทธิภาพในการกำจัดความแตกต่าง การแปลงทั่วไปอีกอย่างหนึ่งคือการใช้รากที่สองของตัวแปรตอบสนอง

2. ใช้การถดถอยแบบถ่วงน้ำหนัก การถดถอยประเภทนี้จะกำหนดน้ำหนักให้กับจุดข้อมูลแต่ละจุดโดยพิจารณาจากความแปรปรวนของค่าที่พอดี โดยพื้นฐานแล้ว สิ่งนี้จะให้น้ำหนักที่ต่ำแก่จุดข้อมูลที่มีความแปรปรวนสูงกว่า ช่วยลดกำลังสองที่เหลือ เมื่อใช้ตุ้มน้ำหนักที่เหมาะสม สิ่งนี้สามารถขจัดปัญหาความไม่สมดุลได้