Hipótese teste regressão em stata forex

Stata: análise de dados e software estatístico Kristin MacDonald, StataCorp Os comandos de estimativa fornecem um teste t ou teste z para a hipótese nula de que um coeficiente é igual a zero. O comando de teste pode realizar testes de Wald para hipóteses lineares simples e compostas nos parâmetros, mas esses testes de Wald também se limitam a testes de igualdade. Testes T unilares Para realizar testes unilaterais, você pode primeiro executar o teste de Wald de dois lados correspondente. Então você pode usar os resultados para calcular a estatística de teste e p-valor para o teste unilateral. Letrsquos diz que você executa a seguinte regressão: se você deseja testar o coeficiente de peso. Peso beta. É negativo (ou positivo), você pode começar realizando o teste de Wald para a hipótese nula de que este coeficiente é igual a zero. O teste Wald apresentado aqui é um teste F com 1 grau de liberdade numerador e 71 graus de liberdade do denominador. A distribuição Studentrsquos t está diretamente relacionada à distribuição F em que o quadrado da distribuição Studentrsquos t com d graus de liberdade é equivalente à distribuição F com 1 grau de liberdade do numerador e graus de liberdade do denominador. Enquanto o teste F tiver 1 grau de liberdade do numerador, a raiz quadrada da estatística F é o valor absoluto da estatística t para o teste unilateral. Para determinar se esta estatística t é positiva ou negativa, você precisa determinar se o coeficiente ajustado é positivo ou negativo. Para fazer isso, você pode usar a função sign (). Em seguida, usando a função ttail () juntamente com os resultados retornados do comando de teste, você pode calcular os valores de p para os testes de um lado da seguinte maneira: No caso especial em que você está interessado em testar se um coeficiente é Maior que, menor ou igual a zero, você pode calcular os valores de p diretamente da saída de regressão. Quando o coeficiente estimado é positivo, como para o peso. Você pode fazê-lo da seguinte maneira: p-valor 0,008 (dado na saída de regressão) p-valor 0,5672 0,284 Por outro lado, se você deseja realizar um teste como H 0. Peso beta lt 1, você não pode calcular o valor p diretamente dos resultados de regressão. Aqui você teria que fazer o teste de Wald primeiro. Testes unilaterais z Na saída para determinados comandos de estimativa, você encontrará que as estatísticas z são relatadas em vez de t estatísticas. Nesses casos, quando você usa o comando de teste, você receberá um teste de Qui-quadrado em vez de um teste F. A relação entre a distribuição normal padrão e a distribuição do qui-quadrado é semelhante à relação entre a distribuição de Studentrsquos t e a distribuição F. De fato, a raiz quadrada da distribuição de qui-quadrado com 1 grau de liberdade é a distribuição normal padrão. Portanto, os testes z de um lado podem ser realizados de forma semelhante aos testes t unilaterais. Por exemplo, Aqui o comando de teste retorna r (chi2). Que pode ser usado juntamente com a função normal () para calcular os valores de p apropriados. Finalmente, se você quer realizar um teste de desigualdade para dois de seus coeficientes, como H 0. Beta idade gt beta grau. Você primeiro executaria o seguinte teste de Wald: então, calcule o valor de p apropriado: novamente, essa abordagem (realizando um teste de Wald e usando os resultados para calcular o valor de p para um teste de um verso) é apropriada apenas quando o Wald F A estatística possui 1 grau de liberdade no numerador ou a estatística de Wald Chi-quadrado tem 1 grau de liberdade. As relações de distribuição discutidas acima não são válidas se esses graus de liberdade forem maiores do que 1.Bem respeito ao Instituto de Pesquisa e Educação Digital Stata FAQ Como comparar os coeficientes de regressão em 3 (ou mais) grupos Às vezes, sua pesquisa pode prever que o tamanho De um coeficiente de regressão pode variar entre os grupos. Por exemplo, você pode acreditar que o coeficiente de regressão do peso previsto de altitudes seria diferente em 3 grupos etários (jovens, meia-idade, idoso). Abaixo, temos um arquivo de dados com 10 jovens fictícios, 10 pessoas fictícias da meia idade e 10 idosos ficcionais, juntamente com seu tamanho em polegadas e seu peso em libras. A idade variável indica a faixa etária e é codificada 1 para jovens, 2 para meia idade e 3 para idosos. Analisamos seus dados separadamente usando o comando de regressão abaixo após a primeira classificação por idade. As estimativas de parâmetros (coeficientes) para jovens, meia-idade e idosos são mostradas abaixo, e os resultados parecem sugerir que a altura é um preditor mais forte de peso para idosos (3,18) do que para os adultos de meia idade (2,09). Os resultados também parecem sugerir que a altura não prevê o peso tão forte para os jovens (-37) como para os idosos de meia idade e idosos. No entanto, precisamos realizar testes de significância específicos para poder fazer afirmações sobre as diferenças entre esses coeficientes de regressão. Podemos comparar os coeficientes de regressão entre esses três grupos etários para testar a hipótese nula em que B 1 é a regressão para os jovens, B 2 é a regressão para o meia idade e B 3 é a regressão para idosos. Para fazer esta análise, primeiro fazemos uma variável dummy chamada age1 que é codificada 1 se jovem (age1), 0 caso contrário, e age2 que é codificado 1 se middle age (age2), 0 caso contrário. Nós também criamos age1ht que é idade1 vezes altura. E age2ht que é idade2 vezes altura. Agora podemos usar idade de idade2 altura. Idade1ht e age2ht como preditores na equação de regressão no comando de regressão abaixo. O comando de regressão será seguido pelo comando: o qual testa a hipótese nula: este teste terá 2 df porque compara 3 coeficientes de regressão. A análise abaixo mostra que a hipótese nula pode ser rejeitada (F17.29, p000000). Isso significa que os coeficientes de regressão entre altura e peso realmente diferem significativamente entre os 3 grupos etários (jovens, meia idade, idosos). Observe que construímos todas as variáveis ​​manualmente para tornar muito claro o que cada variável representava. No entanto, no dia a dia, você provavelmente teria mais probabilidade de usar o prefixo xi para gerar variáveis ​​e interações falsas para você. Por exemplo, no entanto, você pode ver que neste exemplo a primeira faixa etária é o grupo omitido, onde anteriormente o terceiro grupo era o grupo omitido. Podemos usar o comando char (mostrado abaixo) para indicar que queremos que o terceiro grupo seja o grupo omitido e depois execute a análise novamente. O conteúdo deste site não deve ser interpretado como um endosso de qualquer site, livro ou produto de software específico da Universidade da Califórnia.