Test de hétéroscédasticité avec le test Goldfeld-Quandt
Le test Goldfeld-Quandt (GQ) en économétrie commence en supposant que d'un point de définition existe et peut être utilisé pour différencier la variance du terme d'erreur. Observations de l'échantillon sont divisés en deux groupes, et la preuve de l'hétéroscédasticité est basée sur une comparaison de la somme des carrés des résidus (RSS) en utilisant le F-statistique.
L'hypothèse est que le chercheur peut déterminer les critères appropriés pour séparer l'échantillon. En général, une valeur prédéterminée pour l'une des variables indépendantes est utilisé comme un seuil, ce qui place certaines observations du groupe A et les autres des observations dans le groupe B.
La plupart des logiciels d'économétrie ne vous permet pas d'effectuer un test GQ automatiquement, mais vous pouvez utiliser le logiciel pour effectuer ce test en prenant ces mesures simples:
Estimer votre modèle séparément pour chaque groupe et d'obtenir la somme des carrés des résidus pour le groupe A (RSSUN) Et la somme des carrés des résidus du groupe B (RSSB).
Calculer la F-Statistiques par
L'hypothèse nulle pour le test GQ est homoscédasticité. Plus la F-statistique, plus vous aurez des preuves contre l'hypothèse d'homoscédasticité et plus vous avez hétéroscédasticité (variance différente pour les deux groupes).
Supposons un instant que vous êtes estimation d'un modèle avec le logarithme naturel de la valeur du contrat des joueurs du baseball majeur de que les caractéristiques des joueurs et plusieurs variables dépendantes comme variables indépendantes.
Moyennes sur trois ans pour les pourcentages de Slugging (slg_3_avg) et au bâton (ab_3_avg), l'âge et l'ancienneté (le nombre d'années qu'un joueur a été avec son équipe actuelle) sont les variables indépendantes. Vous pouvez arbitrairement diviser l'échantillon par le nombre moyen d'au-chauves-souris. Les joueurs du groupe A ont inférieure à la moyenne au bâton, et les joueurs du groupe B ont supérieure à la moyenne au bâton.
La F-statistique sur la figure, qui illustre le processus de réalisation d'un test GQ dans STATA, suggère que la différence de la RSS pour les deux groupes est marginalement significative dans un test unilatéral (p-value = 0,0730).
Une faiblesse de l'essai GQ est que le résultat dépend des critères choisis pour séparer les échantillons de mesures dans leurs groupes respectifs. Ce processus est souvent tout à fait arbitraire, donc à défaut de trouver des preuves d'hétéroscédasticité dans une épreuve ne l'exclut pas avec les différents critères utilisés pour séparer l'échantillon.
Par conséquent, le test GQ ne fournit pas d'indications pour corriger ou d'ajuster le modèle de l'hétéroscédasticité, qui est une des raisons pourquoi les économètres appliquées généralement ne comptent pas sur elle afin de tester l'hétéroscédasticité.
-
Test d'hypothèse pour des données aberrantes -
Analyse exploratoire des données quantitatives (eda) techniques -
L'estimation économétrique et les hypothèses de CLRM -
Économétrie pour les nuls -
Comment vérifier l'hétéroscédasticité en examinant les résidus représentées graphiquement -
Comment distinguer entre les perturbations homoscédastiques et hétéroscédastiques
Précisant votre modèle de régression de l'économétrie En économétrie, le modèle de régression est un point de départ commun d'une analyse. Comme vous définir votre modèle de régression, vous devez tenir compte de plusieurs éléments:La théorie économique, l'intuition et le bon sens devraient…
Test de hétéroscédasticité avec le test blanc En économétrie, un test extrêmement commun pour hétéroscédasticité est le test de White, qui commence en permettant le processus d'hétéroscédasticité à une fonction d'un ou plusieurs de vos variables indépendantes. Il est similaire à…
10 concepts clés dans les tests d'hypothèses Tests d'hypothèses est une technique statistique qui est utilisée dans une variété de situations. Bien que les détails techniques diffèrent d'une situation à tous les tests d'hypothèses utilisent le même ensemble de termes et de concepts de…
Calculer des statistiques de test pour les deux populations indépendantes avec des variances inégales et au moins un petit échantillon Si les variances de deux populations indépendantes aren't égale (ou vous ne disposez pas de raison de croire qu'ils sont égaux) et au moins un échantillon est faible (moins de 30), la statistique de test est appropriéDans ce cas, vous obtenez…
Tirer des conclusions sur une population en utilisant des intervalles de confiance et tests d'hypothèses Lorsque tirer des conclusions sur une population à partir d'échantillons choisis au hasard (un processus appelé inférence statistique), Vous pouvez utiliser deux méthodes: intervalles de confiance et tests d'hypothèses.Les intervalles de…
Explorez tests d'hypothèses dans les statistiques commerciales Dans les statistiques, htests ypothesis se réfère au processus de choix entre hypothèses concurrentes sur une distribution de probabilités, basée sur les données observées à partir de la distribution. Il est un sujet de base et une partie…
Trouver les statistiques de test appropriées pour les deux populations indépendantes de taille et de variance égale Vous pouvez tester des hypothèses à propos de deux moyens de population où les populations sont indépendants les uns des autres, mais ils ont la taille et la variance égale. Avec une population égale écarts, la statistique de test nécessite…
Trouver la somme des carrés des erreurs lors de la construction de la statistique de test pour anova Comparé à d'autres types de tests d'hypothèses, la construction de la statistique de test pour analyse de la variance est assez complexe. La première étape dans la recherche de la statistique de test est de calculer la somme des carrés des…
Trouver la somme de traitement de carrés et somme totale des carrés lors de la construction de la statistique de test pour anova Calcul de la somme de traitement de carrés (SSTR) et la somme totale des carrés (SST) sont deux étapes importantes dans la construction de la statistique de test pour analyse de la variance.Une fois que vous avez calculé la somme des carrés des…
Comment trouver la statistique de test pour analyse de variance en utilisant l'erreur quadratique moyenne et le traitement carré moyen Comparé à d'autres types de tests d'hypothèses, la construction de la statistique de test pour analyse de la variance est assez complexe. Vous construisez la statistique de test (ou statistique F) à partir de l'erreur quadratique moyenne (MSE)…
Comment tester une hypothèse pour la moyenne d'une population Vous pouvez utiliser un test d'hypothèse à examiner ou contester une réclamation statistiques sur une moyenne de population si la variable est numérique (par exemple, l'âge, le revenu, le temps, et ainsi de suite) et une seule population ou un…
Vue d'ensemble de tests d'hypothèses Un moyen important de tirer des conclusions sur les propriétés d'une population est avec des tests d'hypothèses. Tu peux utiliser tests d'hypothèses à comparer une mesure de la population à une valeur spécifiée, comparer les mesures de deux…
SPSS Statistics couramment utilisés analysent menus Le tableau suivant fournit une liste de certaines des procédures les plus couramment utilisés dans le menu Analyse de IBM SPSS Statistics, qui est une application qui effectue l'analyse statistique des données.Sous-Utile pour . . .Code…
L'idée de base d'une analyse de variance (Anova) La dite “ analyse de la variance à un facteur ” (ANOVA) est utilisée lorsque l'on compare les trois ou plusieurs groupes de chiffres. Lorsque l'on compare seulement deux groupes (A et B), vous testez la différence (A - B) entre les deux…