Diagnóstico de residuos en Python

Las pruebas que dicen si los supuestos de OLS de verdad se cumplieron.

import numpy as np
import statsmodels.api as sm
from statsmodels.stats.diagnostic import het_breuschpagan
from statsmodels.stats.stattools import durbin_watson, jarque_bera

rng = np.random.default_rng(6)
x = np.linspace(1, 50, 200)
y = 3 + 0.5 * x + rng.normal(0, x / 10)  # la varianza crece con x

X = sm.add_constant(x)
modelo = sm.OLS(y, X).fit()

estadistico, p, _, _ = het_breuschpagan(modelo.resid, X)
print(round(estadistico, 3), f"{p:.2e}", "heterocedástico" if p < 0.05
      else "varianza constante")
print(round(durbin_watson(modelo.resid), 3))
print(round(jarque_bera(modelo.resid)[1], 4))
print(round(modelo.get_robustcov_results("HC3").bse[1], 5))

Cómo funciona

het_breuschpagan prueba si la varianza cambia.
durbin_watson cerca de 2 significa sin autocorrelación.
jarque_bera prueba la normalidad de los residuos.

Palabras clave y builtins usados aquí

as
else
if
print
round

El intento, en números

Líneas: 18
Caracteres a escribir: 658
Tokens: 189
Ritmo de tres estrellas: 110 tpm

Al ritmo de tres estrellas de 110 tokens por minuto, este intento toma unos 103 segundos.

Escribe este fragmento

Paso 1 de 2 en Diagnósticos y robustez; paso 7 de 19 en Estadística con statsmodels.

← Anterior Siguiente →