Homoskedastic
Хомоскедастичен (също изписано "хомоседастично") се отнася до състояние, при което дисперсията на остатъчния или грешки термин в регресионен модел е постоянна. Тоест, терминът за грешка не варира много, тъй като стойността на променливата на прогнозата се променя. Хомоскедастичността е едно предположение за моделиране на линейна регресия. Ако дисперсията на грешките около регресионната линия варира много, регресионният модел може да бъде лошо дефиниран. Липсата на хомоскедастичност може да подскаже, че регресионният модел може да се наложи да включва допълнителни променливи променливи, за да обясни ефективността на зависимата променлива.
Обратното на хомоскедастичността е хетерокедастичността, точно както обратното на „хомогенната“ е „хетерогенна“. Хетерокедастичността се отнася до условие, при което дисперсията на термина на грешка в уравнението на регресия не е постоянна.
НАРУШЕНИЕ НАДОЛУ Хомоскедастик
Един прост регресионен модел, или уравнение, се състои от четири термина. От лявата страна е зависимата променлива. Той представлява явлението, което моделът се стреми да „обясни“. От дясната страна са константа, променлива прогноза и остатъчен или грешка. Терминът за грешка показва размера на променливостта в зависимата променлива, която не се обяснява с променливата на прогноза.
Пример за хомоскедастичност
Например, да предположим, че сте искали да обясните оценките на студентските тестове, като използвате времето, което всеки студент е прекарал да учи. В този случай резултатите от теста биха били зависимата променлива, а времето, прекарано в изучаване, ще бъде променливата на прогнозата. Терминът за грешка ще покаже количеството отклонение в тестовите резултати, което не е обяснено с времето за проучване. Ако тази дисперсия е еднаква или хомоскедастична, това предполага, че моделът може да бъде адекватно обяснение за тестовата ефективност - да се обясни по отношение на времето, прекарано в изучаване.
Но вариацията може да е хетероскедастична. Графикът на данните за термина за грешка може да покаже, че голямо количество време за изследване съответства много тясно на високите резултати на теста, но това, че ниските резултати от тестовото време на изследване варират в широки граници и дори включват някои много високи резултати. Така че дисперсията на оценките не би била добре обяснена просто с една променлива прогноза - времето за изучаване. В този случай вероятно има някакъв друг фактор и моделът може да се наложи да бъде подобрен. По-нататъшното разследване може да разкрие, че някои студенти са видели отговорите на теста преди време и затова не е необходимо да учат.
За да подобри регресионния модел, изследователят ще добави друга обяснителна променлива, указваща дали студент е виждал отговорите преди теста. След това регресионният модел би имал две обяснителни променливи - изучаване на времето и дали студентът е имал предварителни познания за отговорите. С тези две променливи ще се обясни повече от дисперсията на тестовите резултати и отклонението на термина за грешка може да бъде хомоскедастично, което предполага, че моделът е добре дефиниран.
Сравнете инвестиционни сметки Име на доставчика Описание Разкриване на рекламодатели × Офертите, които се появяват в тази таблица, са от партньорства, от които Investopedia получава компенсация.