dwtest

Тест Дербин-Уотсона с остаточными входными параметрами

свернуть все на странице

Синтаксис

p = dwtest(r,x)
p = dwtest(r,x,Name,Value)
[p,d] = dwtest(___)

Описание

пример

p = dwtest(r,x) возвращает p - значение для теста Дербин-Уотсона нулевой гипотезы, что невязки от линейной регрессии являются некоррелироваными. Альтернативная гипотеза - то, что существует автокорреляция среди невязок.

пример

p = dwtest(r,x,Name,Value) возвращает p - значение для теста Дербин-Уотсона с дополнительными опциями, заданными одним или несколькими аргументами пары "имя-значение". Например, можно провести односторонний тест или вычислить p - значение с помощью нормального приближения.

пример

[p,d] = dwtest(___) также возвращается, Дербин-Уотсон тестируют статистическую величину, d, с помощью любого из входных параметров от предыдущих синтаксисов.

Примеры

свернуть все

Скрипт Open Live Script

Загрузите демонстрационные данные о переписи. 

load census

Создайте матрицу проекта использование даты переписи (cdate) как предиктор. Добавьте столбец значений 1, чтобы включать постоянный термин. 

n = length(cdate);
x = [ones(n,1),cdate];

Соответствуйте линейной регрессии к данным. 

[b,bint,r] = regress(pop,x);

Протестируйте нулевую гипотезу, что нет никакой автокорреляции среди невязок, r. 

[p,d] = dwtest(r,x)
p = 3.6190e-15

d = 0.1308

Возвращенное значение p = 3.6190e-15 указывает на отклонение нулевой гипотезы на 5%-м уровне значения.

Скрипт Open Live Script

Загрузите демонстрационные данные о переписи. 

load census

Создайте матрицу проекта использование даты переписи (cdate) как предиктор. Добавьте столбец значений 1, чтобы включать постоянный термин. 

n = length(cdate);
x = [ones(n,1),cdate];

Соответствуйте линейной регрессии к данным. 

[b,bint,r] = regress(pop,x);

Протестируйте нулевую гипотезу, что нет никакой автокорреляции среди невязок регрессии против альтернативной гипотезы, что автокорреляция больше, чем нуль. 

[p,d] = dwtest(r,x,'Tail','right')
p = 1.8095e-15

d = 0.1308

Возвращенный p = 1.8095e-15 значения указывает на отклонение нулевой гипотезы на 5%-м уровне значения, в пользу альтернативной гипотезы, что автокорреляция среди невязок больше, чем нуль.

Входные параметры

свернуть все

Матрица проекта для линейной регрессии, заданной как матрица. Включайте столбец значений 1 в матрице проекта, таким образом, модель содержит постоянный термин.

Типы данных: single | double

Невязки регрессии, заданные как вектор. Получите r путем выполнения линейной регрессии с помощью функции, такой как regress, или при помощи оператора наклонной черты влево.

Типы данных: single | double

Аргументы в виде пар имя-значение

Укажите необязательные аргументы в виде пар ""имя, значение"", разделенных запятыми. Имя (Name) — это имя аргумента, а значение (Value) — соответствующее значение. Name должен появиться в кавычках. Вы можете задать несколько аргументов в виде пар имен и значений в любом порядке, например: Name1, Value1, ..., NameN, ValueN.

Пример: 'Tail','right','Method','approximate' указывает, что гипотеза с правильным хвостом тестирует, и вычисляет p-значение с помощью нормального приближения.

Алгоритм для вычисления p - значение, заданное как пара, разделенная запятой, состоящая из 'Method' и одно из этих значений:

'exact'Вычислите точный p - значение с помощью алгоритма Пэна [2]. Это - значение по умолчанию, если объем выборки - меньше чем 400.
'approximate'Вычислите p - значение с помощью нормального приближения [1]. Это - значение по умолчанию, если объем выборки 400 или больше.

Пример: 'Method','exact'

Тип альтернативной гипотезы, чтобы оценить, заданный как пара, разделенная запятой, состоящая из 'Tail' и одно из следующих.

'both'Протестируйте альтернативную гипотезу, что автокорреляция среди невязок не является нулем.
'right'Протестируйте альтернативную гипотезу, что автокорреляция среди невязок больше, чем нуль.
'left'Протестируйте альтернативную гипотезу, что автокорреляция среди невязок является меньше, чем нуль.

Пример: 'Tail','right'

Выходные аргументы

свернуть все

p- теста, возвращенного как скалярное значение в области значений [0,1]. p является вероятностью наблюдения тестовой статистической величины как экстремальное значение как, или более экстремальный, чем, наблюдаемая величина по нулевой гипотезе. Маленькие значения p подвергают сомнению валидность нулевой гипотезы.

Протестируйте статистическую величину теста гипотезы, возвращенного как неотрицательное скалярное значение.

Больше о

свернуть все

Тест Дербин-Уотсона

Тест Дербин-Уотсона тестирует нулевую гипотезу, что невязки линейной регрессии являются некоррелироваными против альтернативной гипотезы, что автокорреляция существует.

Тестовая статистическая величина для теста Дербин-Уотсона

DW=∑i=1n−1(ri+1−ri)2∑i=1nri2,

где r, i является i th необработанная невязка и n, является количеством наблюдений.

p - значение теста Дербин-Уотсона является вероятностью наблюдения тестовой статистической величины как экстремальное значение как, или более экстремальный, чем, наблюдаемая величина по нулевой гипотезе. Значительно маленький p - значение подвергает сомнению валидность нулевой гипотезы и указывает на автокорреляцию среди невязок.

Альтернативная функциональность

  • Можно создать объект модели линейной регрессии при помощи fitlm или stepwiselm и использовать объектный функциональный dwtest, чтобы выполнить тест Дербин-Уотсона.

    Объект LinearModel обеспечивает свойства объектов и объектные функции, чтобы исследовать подходящую модель линейной регрессии. Свойства объектов включают информацию о содействующих оценках, итоговой статистике, подходящем методе и входных данных. Используйте объектные функции, чтобы предсказать ответы и изменить, оценить, и визуализировать модель линейной регрессии.

Ссылки

[1] Durbin, J. и Г. С. Уотсон. Тестирование на Последовательную Корреляцию в Наименьших квадратах Регрессии I. Biometrika 37, стр 409–428, 1950.

[2] Farebrother, Процедура Р. В. Пэна для Вероятностей Хвоста Статистической величины Дербин-Уотсона. Прикладная статистика 29, стр 224–227, 1980.

Смотрите также

| |

Представленный в R2006a

Документация Statistics and Machine Learning Toolbox
Поддержка
Для просмотра документации необходимо авторизоваться на сайте