多元异方差检验怀特检验 white检验python实现

最新推荐文章于 2024-05-05 20:15:00 发布

mohana48833985

最新推荐文章于 2024-05-05 20:15:00 发布

阅读量3.8k

点赞数 1

本文链接：https://blog.csdn.net/Caiqiudan/article/details/118613355

版权

CSDN-用Python底层编写进行计量经济分析（三）

两两 $x_i$ 和 $x_j$ 交互项
$e_i^2 = \alpha_0+\alpha_1X_{5i}+\alpha_2X_{6i}+\cdots+\alpha_{8}X'_{13i}+\alpha_{9}X_{5i}^2+\cdots+\alpha_{16}X'^2_{13i}+\alpha_{17}X_{1i}X_{2i}+\cdots+\alpha_{44}X_{12}X_{13}'+\varepsilon_i$

$H_0:\alpha_i=0,i=1,2,\cdots,44 ; \quad H_1: \alpha_i不全为0$
统计量
$WT(p)=nR^2\sim\chi^2(p)$

我的代码写错了，这阵子忙完再改↓

import statsmodels.api as sm   # 线性回归
def white_test(x, e):
    '''
    x: 因变量
    e: 残差 e = y - y_predict
    '''
    xx = copy.deepcopy(x)
    for n, i in enumerate(x.columns[:-1]):
        for j in x.columns[n :-1]:
            xx['%s*%s'%(i,j)] = x[i]*x[j]
    print(xx.columns)
    # OLS-Regreession
    x1 = copy.deepcopy(xx)
    x1.insert(0, 'constant', 1)   # 添加常数项

    model = sm.OLS(e, x1) 
    result_wt = model.fit()
    
    # 计算
    wt = len(xx)*result_wt.rsquared   # result_wt.rsquared 可决系数
    # 1- stats.chi2.cdf(wt, x.shape[0])  p值
    chi = stats.chi2.ppf(1-0.5, df=xx.shape[1])
    print('卡方在0.95分位数的临界值是%.2f'%chi)
    if wt < chi:
        print("计算出来的wt统计量是%.2f, 接受H0，认为不存在异方差"%wt)
    elif wt > stats.chi.ppf(1-0.5, df=xx.shape[1]):
        print("计算出来的wt统计量是%.2f, 拒绝H0， 接受H1，认为存在异方差"%wt)
    return stats.chi.cdf(wt, df=xx.shape[1])

if __name__ == '__main__':
	x = pd.DataFrame(data=np.arange(20).reshape(10,2), columns=['x1','x2'])
	e = ...  # e为上一次回归计算出来的残差
	white_test(x, e)