Homoskedastic
Homoskedastic (pisane także „homoscedastic”) odnosi się do stanu, w którym wariancja resztkowego lub błędu parametru w modelu regresji jest stała. Oznacza to, że warunek błędu nie zmienia się znacznie, gdy zmienia się wartość zmiennej predykcyjnej. Homoskedastyczność jest jednym z założeń modelowania regresji liniowej. Jeśli wariancja błędów wokół linii regresji różni się znacznie, model regresji może być źle zdefiniowany. Brak homoskedastyczności może sugerować, że model regresji może wymagać włączenia dodatkowych zmiennych predykcyjnych w celu wyjaśnienia działania zmiennej zależnej.
Przeciwieństwem homoskedastyczności jest heteroskedastyczność, podobnie jak przeciwieństwo „homogeniczności” jest „heterogeniczne”. Heteroskedastyczność odnosi się do stanu, w którym wariancja składnika błędu w równaniu regresji nie jest stała.
ŁAMANIE W DÓŁ Homoskedastic
Prosty model regresji lub równanie składa się z czterech składników. Po lewej stronie jest zmienna zależna. Reprezentuje zjawisko, które model stara się „wyjaśnić”. Po prawej stronie znajduje się stała, zmienna predykcyjna oraz resztkowy lub błąd. Pojęcie błędu pokazuje wielkość zmienności zmiennej zależnej, która nie jest wyjaśniona zmienną predykcyjną.
Przykład homoskedastyczności
Załóżmy na przykład, że chcesz wyjaśnić wyniki testu studenckiego przy użyciu czasu, jaki każdy student spędził na nauce. W tym przypadku wyniki testu byłyby zmienną zależną, a czas spędzony na studiowaniu byłby zmienną predykcyjną. Pojęcie błędu pokazywałoby wariancję wyników testu, która nie została wyjaśniona ilością czasu na naukę. Jeśli ta wariancja jest jednolita lub homoskedastyczna, sugerowałoby to, że model może być odpowiednim wyjaśnieniem wykonania testu - wyjaśniając go w kategoriach czasu poświęconego na naukę.
Ale wariancja może być heteroskedastyczna. Wykres danych dotyczących terminu błędu może wykazać, że duża ilość czasu badania bardzo ściśle odpowiadała wysokim wynikom testu, ale ten wynik testu krótkiego czasu badania był bardzo zróżnicowany, a nawet obejmował niektóre bardzo wysokie wyniki. Tak więc wariancja wyników nie byłaby dobrze wyjaśniona przez jedną zmienną predykcyjną - ilość czasu na naukę. W takim przypadku prawdopodobnie działa jakiś inny czynnik i konieczne może być ulepszenie modelu. Dalsze dochodzenie może ujawnić, że niektórzy studenci z góry widzieli odpowiedzi na test i dlatego nie musieli się uczyć.
Aby ulepszyć model regresji, badacz dodałby zatem inną zmienną objaśniającą wskazującą, czy uczeń widział odpowiedzi przed testem. Model regresji miałby wówczas dwie zmienne objaśniające - badanie czasu i to, czy uczeń miał wcześniejszą wiedzę na temat odpowiedzi. Za pomocą tych dwóch zmiennych wyjaśniono by więcej wariancji wyników testu, a wariancja składnika błędu mogłaby być homoskedastyczna, co sugeruje, że model był dobrze zdefiniowany.
Porównaj rachunki inwestycyjne Nazwa dostawcy Opis Ujawnienie reklamodawcy × Oferty przedstawione w tej tabeli pochodzą od partnerstw, od których Investopedia otrzymuje wynagrodzenie.