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 остаточные значения линейной регрессии являются некоррелироваными. Альтернативная гипотеза - то, что существует автокорреляция среди остаточных значений.

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, использование 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 1 значения, 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 остаточных значений, 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 1 значения, 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 остаточных значений регрессии против альтернативной гипотезы, что автокорреляция больше нуля. 

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

d = 0.1308

Возвращенное значение p = 1.8095e-15 указывает на отклонение нулевой гипотезы на 5%-м уровне значения, в пользу альтернативной гипотезы, что автокорреляция среди остаточных значений больше нуля.

Входные параметры

свернуть все

Матрица проекта для линейной регрессии в виде матрицы. Включайте столбец 1 значения в матрице проекта так модель содержат постоянный термин.

Типы данных: single | double

Остаточные значения регрессии в виде вектора. Получите r путем выполнения линейной регрессии с помощью функции такой как regress, или при помощи оператора обратной косой черты.

Типы данных: single | double

Аргументы name-value

Задайте дополнительные разделенные запятой пары Name,Value аргументы. Name имя аргумента и 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 в виде разделенной запятой пары, состоящей 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 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 в виде разделенной запятой пары, состоящей из 'Tail' и одно из следующих.

'both'Протестируйте альтернативную гипотезу, что автокорреляция среди остаточных значений не является нулем.
'right'Протестируйте альтернативную гипотезу, что автокорреляция среди остаточных значений больше нуля.
'left'Протестируйте альтернативную гипотезу, что автокорреляция среди остаточных значений меньше нуля.

Пример: 'Tail','right'

Выходные аргументы

свернуть все

p- теста, возвращенного как скалярное значение в области значений [0,1]. p вероятность наблюдения тестовой статистической величины как экстремальное значение как, или более экстремальный, чем, наблюдаемая величина по нулевой гипотезе. Маленькие значения p подвергните 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 остаточные значения линейной регрессии данных временных рядов 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 остаточных значений.

Альтернативная функциональность

  • Можно создать объект модели линейной регрессии при помощи fitlm или stepwiselm и используйте объектную функцию dwtest выполнять тест Дербин-Уотсона.

    LinearModel объект обеспечивает свойства объектов и объектные функции, чтобы исследовать подбиравшую 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. "Тестируя на Последовательную Корреляцию в Регрессии Наименьших квадратов 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

| |

Введен в R2006a

Документация Statistics and Machine Learning Toolbox

Поддержка

Для просмотра документации необходимо авторизоваться на сайте