imported>Kmhkmh: p-Wert hat nicht dieselbe Bedeutung wie das Signifikanzniveau für einen Test, man kann die Erläuterung sicher ausbauen, aber die ursprünglichen mathematischen Begrifflichkeiten/Notation sollten erhalten bleiben

2025-06-04T14:47:28Z

p-Wert hat nicht dieselbe Bedeutung wie das Signifikanzniveau für einen Test, man kann die Erläuterung sicher ausbauen, aber die ursprünglichen mathematischen Begrifflichkeiten/Notation sollten erhalten bleiben

Neue Seite

Der '''Chow-Test''' ist ein [[statistischer Test]], mit dem sich die Koeffizienten zweier [[Lineare Regression|linearer Regressionen]] auf Gleichheit testen lassen. Der Test ist nach seinem Erfinder, dem Ökonomen [[Gregory Chow]], benannt.

== Anwendungsgebiete ==
Der Chow-Test wird in der [[Ökonometrie]] verwendet, um [[Zeitreihenanalyse|Zeitreihen]] auf [[Strukturbruch|Strukturbrüche]] zu testen. Ein weiteres Anwendungsgebiet ist die Programmevaluation, hierbei werden zwei unterschiedliche Teilgruppen (Programme), wie zum Beispiel zwei Schultypen, miteinander verglichen. Im Gegensatz zur Zeitreihenanalyse lassen sich hier die beiden Teilgruppen keinen aufeinander folgenden Intervallen zuordnen, stattdessen erfolgt die Einteilung nach einem qualitativen Aspekt, wie zum Beispiel dem Schultyp.

{| class="wikitable centered"
|-
!Strukturbruch
!Programmevaluation
|-
|-
|style="width:450px" valign="center" halign="center" |
[[Datei:Chowtest4.svg|440px]]
|style="width:450px" valign="center" halign="center"|
[[Datei:Chowtest8.svg|490px]]
|-
|valign="top"|
Bei <math> x=1{,}7 </math> liegt ein Strukturbruch vor, Regressionen auf den Teilintervallen <math>[0;1,7]</math> und <math>[1,7;4] </math> liefern eine bessere Modellierung als die Regression über dem Gesamtinterval (gestrichelt)
|valign="top"|
Vergleich zweier Programme (rot, grün) im selben Datensatz, separate Regressionen auf den zu einem Programm gehörigen Daten liefern eine bessere Modellierung als die Regression über den gesamten Datensatz (schwarz)
|}

== Vorgehen ==

Gegeben ist ein Datensatz <math>(Y_i,X_i)</math> mit <math>X_i=(x_{i1},\ldots,x_{ik}) </math> für <math>i=1\ldots N</math>, dessen Beziehung durch eine lineare Funktion mit einem [[Normalverteilung|normalverteilten]] [[Zufallsfehler|Fehler]] (<Math>\epsilon </math>) mit [[Erwartungswert]] 0 (<math>E(\epsilon)=0 </math>) beschrieben wird (multiple Regressionsanalyse), d. h. man hat

:<math>Y_{i}=c_0+c_1x_{i1}+c_2x_{i2}+\ldots+c_kx_{ik}+\epsilon_i</math> für <math>i=1\ldots N</math>.

Man vermutet jedoch, dass sich der Datensatz in zwei Gruppen der Größen <math>N_a</math> und <math>N_b</math> aufteilen lässt, die durch zwei unterschiedliche lineare Funktionen besser beschrieben werden.
:<math>Y_{i}=a_0+a_1x_{i1}+a_2x_{i2}+\ldots+a_kx_{ik}+\epsilon_i</math> für <math>i=1\ldots N_a</math>
:<math>Y_{i}=b_0+b_1x_{i1}+b_2x_{i2}+\ldots+b_kx_{ik}+\epsilon_i</math> für <math>i=N_a+1\ldots N_a+N_b</math>

Hierbei ist <math>N=N_a+N_b</math> und es wird die Hypothese <math>H_0\colon (a_0,a_1,\ldots,a_k)=(b_0,b_1,\ldots,b_k) </math> gegen <math>H_1\colon (a_0,a_1,\ldots,a_k)\neq (b_0,b_1,\ldots,b_k) </math> getestet. Bezeichnet man die Summe der quadrierten Residuen der Regression über den gesamten Datensatz mit <math>S</math> und über die beiden Teilgruppen mit <math>S_a</math> und <math>S_b</math>, dann folgt die unten definierte Testgröße <math>T</math> einer [[F-Verteilung]] mit den Freiheitsgraden <math>k+1</math> und <math>N_a+N_b-2(k+1)</math>.

:<math>T:=\frac{(S-(S_a+S_b))/(k+1)}{(S_a+S_b)/(N_a+N_b-2(k+1))}</math>

== Beispiel ==
Gegeben ist der folgende Datensatz, dessen Beziehung durch die lineare Funktion <math> Y=c_0+c_1X </math> modelliert werden soll:
{| class="wikitable"
|- align="right"
||<math>X_i</math>||0,5||1,0||1,5||2,0||2,5||3,0||3,5||4,0||4,5||5,0||5,5||6,0
|- align="right"
||<math>Y_i</math>||−0,043||0,435||0,149||0,252||0,571||0,555||0,678||3,119||2,715||3,671||3,928||3,962
|}
[[Datei:Chowtest1.svg|mini|hochkant=1.0|Der Datenplot legt einen Strukturbruch bei <math>x=4</math> nahe.]]
Ein Datenplot lässt vermuten, dass bei <math> x=4 </math> ein Strukturbruch vorliegt, daher teilt man den Datensatz in 2 Intervalle <math>[0{,}5; 3{,}5]</math> und <math>[4{,}0; 6{,}0]</math> ein und führt über diesen, zusätzlich zur Regression über den gesamten Datensatz, getrennte Regressionen durch. Dann testet man, ob die beiden Teilregressionen dieselbe lineare Funktion erzeugen, also <math> H_0\colon (a_0,a_1)=(b_0,b_1) </math> gegen <math> H_1\colon (a_0,a_1)\neq(b_0,b_1) </math>

Regression auf dem gesamten Datensatz:
{| class="wikitable"
|-
||<math>\overline{x}=\frac{1}{12}\sum_{i=1}^{12} X_i=3{,}2500 </math> ||<math>\overline{y}=\frac{1}{12}\sum_{i=1}^{12} Y_i= 1{,}6660 </math>
|-
||<math>S_{xx}=\sum_{i=1}^{12} (X_i-\overline{x})^2=35{,}7500 </math> ||<math>S_{yy}=\sum_{i=1}^{12} (Y_i-\overline{y})^2= 29{,}7661</math>
|-
||<math>S_{xy}=\sum_{i=1}^{12} (X_i-\overline{x})(Y_i-\overline{y}) = 30{,}0570 </math> ||<math>S=S_{yy}-\frac{S_{xy}^2}{S_{xx}}=4{,}4955</math>
|}

Regression auf <math>[0{,}5, 3{,}5]</math>
{| class="wikitable"
|-
||<math>\overline{x}=\frac{1}{7}\sum_{i=1}^{7} X_i=2{,}0000 </math> ||<math>\overline{y}=\frac{1}{7}\sum_{i=1}^{7} Y_i = 0{,}3710 </math>
|-
||<math>S_{xx}=\sum_{i=1}^{7} (X_i-\overline{x})^2=7{,}0000 </math> ||<math>S_{yy}=\sum_{i=1}^{7} (Y_i-\overline{y})^2 = 0{,}4070</math>
|-
||<math>S_{xy}=\sum_{i=1}^{7} (X_i-\overline{x})(Y_i-\overline{y})=1{,}4125 </math> ||<math>S_a=S_{yy}-\frac{S_{xy}^2}{S_{xx}} = 0{,}1220</math>
|}
[[Datei:Chowtest2.svg|mini|hochkant=1.0|Datenplot mit Regressionsgeraden]]
Regression auf <math> [4{,}0, 6{,}0]</math>
{| class="wikitable"
|-
||<math>\overline{x}=\frac{1}{5}\sum_{i=1}^{5} X_i=5{,}0000 </math> ||<math>\overline{y}=\frac{1}{5}\sum_{i=1}^{5} Y_i= 3{,}4790 </math>
|-
||<math>S_{xx}=\sum_{i=1}^{5} (X_i-\overline{x})^2=2{,}5000 </math> ||<math>S_{yy}=\sum_{i=1}^{5} (Y_i-\overline{y})^2= 1{,}1851</math>
|-
||<math>S_{xy}=\sum_{i=1}^{5} (X_i-\overline{x})(Y_i-\overline{y})=1{,}4495 </math> ||<math>S_b=S_{yy}-\frac{S_{xy}^2}{S_{xx}}=0{,}3446</math>
|}

Berechnung der Testgröße:
:<math>T:=\frac{(S-(S_a+S_b))/(k+1)}{(S_a+S_b)/(N_a+N_b-2(k+1))} = 34{,}5345</math>

Wegen <math>F_{2;8;0,95} = 4{,}459\,</math>  (Signifikanzniveau <math>\alpha = 0{,}05\,</math>) gilt  <math>T \ge F_{2; 8; 0,95}</math>. Somit kann die [[Nullhypothese]] <math>H_0\,</math> verworfen werden. Das heißt, die beiden Regressionsgeraden auf den Teilintervallen sind nicht identisch. Es liegt also ein Strukturbruch vor und die Teilregressionen liefern eine bessere Modellierung als die Regression über den gesamten Datensatz.

== Literatur ==
*Howard E. Doran: ''Applied Regression Analysis in Econometrics''. CRC Press 1989, ISBN 0-8247-8049-3, S. 146 ({{Google Buch|BuchID=JHzik5hkrIMC|Seite=146|Linktext=Auszug|Land=}})
*Christopher Dougherty: ''Introduction to Econometrics''. Oxford University Press 2007, ISBN 0-19-928096-7, S. 194 ({{Google Buch|BuchID=h0MTRO_3jYEC|Seite=194|Linktext=Auszug|Land=}})
*Gregory C. Chow: [https://aae.wisc.edu/aae637/handouts/chow_test_article.pdf ''Tests of Equality Between Sets of Coefficients in Two Linear Regressions'']. Econometrica. 28(3), 1960, S. 591–605 ({{JSTOR|1910133}})

== Weblinks ==
{{commonscat|Chow test}}

[[Kategorie:Parametrischer Test]]
[[Kategorie:Regressionsdiagnostik]]

Chow-Test - Versionsgeschichte

imported>Kmhkmh: p-Wert hat nicht dieselbe Bedeutung wie das Signifikanzniveau für einen Test, man kann die Erläuterung sicher ausbauen, aber die ursprünglichen mathematischen Begrifflichkeiten/Notation sollten erhalten bleiben