statsmodels.tsa.statespace.dynamic_factor.DynamicFactorResults.test_heteroskedasticity¶

DynamicFactorResults.test_heteroskedasticity(method, alternative='two-sided', use_f=True)¶

标准化残差的异方差性检验

测试样本前三分之一的平方和是否与样本后三分之一的平方和有显著差异。类似于Goldfeld-Quandt检验。原假设是没有异方差性。

Parameters:¶

method{‘breakvar’, None}

异方差性的统计检验。必须是‘breakvar’，用于检验方差中的断点。如果为None，则会尝试选择适当的检验。

alternativestr, ‘increasing’, ‘decreasing’ or ‘two-sided’

这指定了p值计算的替代方法。默认是双侧的。

use_fbool, optional

是否与渐近分布（卡方分布）或近似小样本分布（F分布）进行比较。默认值为True（即默认情况下与F分布进行比较）。

Returns:¶

outputndarray

每个内生变量对应的(检验统计量, p值)的数组。该数组的大小为(k_endog, 2)。如果方法被调用为het = res.test_heteroskedasticity()，那么het[0]是一个大小为2的数组，对应于第一个内生变量，其中het[0][0]是检验统计量，het[0][1]是p值。

另请参阅

statsmodels.tsa.stattools.breakvar_heteroskedasticity_test

注释

原假设是没有异方差性。

对于 \(h = [T/3]\)，检验统计量为：

\[H(h) = \sum_{t=T-h+1}^T \tilde v_t^2 \Bigg / \sum_{t=d+1}^{d+1+h} \tilde v_t^2\]

其中 \(d\) = max(loglikelihood_burn, nobs_diffuse)`（通常对应于在近似或精确方法下的扩散初始化）。

这个统计量可以与 \(F(h,h)\) 分布进行检验。 或者，\(h H(h)\) 渐近地服从 \(\chi_h^2\) 分布；可以通过传递 use_f=True 作为参数来应用这第二个检验。

关于上述公式和讨论，请参见[1]的第5.4节，以及更多详细信息。

待办事项

• 允许指定 \(h\)

参考文献

[1]

哈维, 安德鲁 C. 1990. 预测, 结构时间序列 模型和卡尔曼滤波器. 剑桥大学出版社.