Критерий Чоу для структурного изменения
Критерии Чоу оценивают устойчивость коэффициентов β в модели линейной регрессии кратного формы y = X β + ε. Данные разделены в заданных точках останова. Коэффициенты оцениваются в начальных подвыборках, затем протестировали на совместимость с данными в дополнительных подвыборках.
h = chowtest(X,y,bp)
h = chowtest(Tbl,bp)
h = chowtest(___,Name,Value)
[h,pValue,stat,cValue]
= chowtest(___)
возвращает тестовые решения (h
= chowtest(X
,y
,bp
)h
) в проведение критериев Чоу на нескольких модель y
линейной регрессии = X
β + ε в точках останова в bp
.
использование любой из входных параметров в предыдущих синтаксисах и дополнительных опциях задано одним или несколькими аргументами пары h
= chowtest(___,Name,Value
)Name,Value
. Например, можно задать, какой тип критерия Чоу провести или задать, включать ли прерывание в модель множественной регрессии.
Критерии Чоу принимают непрерывность инновационного отклонения через структурные изменения. Heteroscedasticity может исказить размер и степень теста. Необходимо проверить, что предположение инновационной непрерывности отклонения содержит перед использованием результатов испытаний для вывода.
Если обе подвыборки содержат больше, чем наблюдения numCoeffs
, то можно провести тест прогноза вместо теста точки останова. Однако тест прогноза может иметь более низкую силу относительно теста точки останова [1]. Тем не менее, Вильсон (1978) предлагает провести тест прогноза в присутствии неизвестных ошибок спецификации.
Можно применить тест прогноза к случаям, где обе подвыборки имеют размер, больше, чем numCoeffs
, где вы обычно применяли бы тест точки останова. В таких случаях тест прогноза может иметь значительно уменьшенную относительно теста точки останова [1]. Тем не менее, Вильсон (1978) предлагает использование теста прогноза в присутствии неизвестных ошибок спецификации [4].
Тест прогноза основан на несмещенных прогнозах с нулевой средней погрешностью, которые следуют из стабильных коэффициентов. Однако нулевая средняя ошибка прогноза, в целом, не гарантирует содействующей устойчивости. Таким образом предскажите, что тесты являются самыми эффективными при проверке структурные пропуски, вместо того, чтобы смоделировать непрерывность [3].
Получить диагностическую статистику для каждой подвыборки, такой как коэффициент регрессии оценивает, их стандартные погрешности, ошибочные суммы квадратов, и так далее, передают соответствующие данные fitlm
. Для получения дополнительной информации при работе с объектами модели LinearModel
, смотрите Несколько Линейная регрессия (Statistics and Machine Learning Toolbox).
[1] Прожуйте, G. C. “Тесты Равенства Между Наборами Коэффициентов в Двух Линейных регрессиях”. Econometrica. Издание 28, 1960, стр 591–605.
[2] Фишер, F. M. “Тесты Равенства Между Наборами Коэффициентов в Двух Линейных регрессиях: Описательное Примечание”. Econometrica. Издание 38, 1970, стр 361–66.
[3] Rea, J. D. “Неопределенность критерия Чоу, Когда Количество Наблюдений Недостаточно”. Econometrica. Издание 46, 1978, p. 229.
[4] Вильсон, A. L. “Когда UMP критерия Чоу?” Американский Статистик. Издание 32, 1978, стр 66–68.
LinearModel
| cusumtest
| fitlm
| recreg