Homoskedastic
Homoskedastika (taip pat rašoma kaip „homoscedastic“) reiškia būklę, kai regresijos modelyje liekamojo ar klaidos termino dispersija yra pastovi. T. y., Paklaidos terminas labai nesikeičia, nes keičiasi prognozuojamojo kintamojo vertė. Homoskedasticiškumas yra viena tiesinės regresijos modeliavimo prielaida. Jei klaidų dispersija aplink regresijos liniją labai skiriasi, regresijos modelis gali būti prastai apibrėžtas. Homoskedastumo stoka gali leisti manyti, kad į regresijos modelį gali reikėti įtraukti papildomų prognozuojančių kintamųjų, kad būtų galima paaiškinti priklausomo kintamojo veikimą.
Homoskedastikumo priešingybė yra heteroskedastingumas, lygiai taip pat kaip „homogeniško“ priešingybė yra „heterogeninė“. Heteroskedaziškumas reiškia būseną, kai paklaidos termino dispersija regresijos lygtyje nėra pastovi.
Lūžimas žemyn Homoskedastic
Paprastą regresijos modelį arba lygtį sudaro keturi terminai. Kairėje pusėje yra priklausomas kintamasis. Tai reiškia reiškinį, kurį modelis siekia „paaiškinti“. Dešinėje pusėje yra konstanta, numatomasis kintamasis ir liekamasis arba paklaidos terminas. Klaidos terminas parodo priklausomo kintamojo kintamumo kiekį, kurio nepaaiškina prognozuojamasis kintamasis.
Homoskedasticizmo pavyzdys
Pavyzdžiui, tarkime, kad norėjote paaiškinti studentų testų balus naudodamiesi kiek laiko kiekvienas studentas praleido studijuodamas. Tokiu atveju testų balai būtų priklausomi kintamieji, o laikas, praleistas studijuojant, būtų numatomasis kintamasis. Klaidos terminas parodytų testų balų dispersijos dydį, kuris nebuvo paaiškintas studijų laiku. Jei šis pokytis yra vienodas arba homoskedatinis, tai rodo, kad modelis gali būti tinkamas bandymo atlikimo paaiškinimas - paaiškinant jį pagal laiką, praleistą studijuojant.
Tačiau dispersija gali būti heteroskedatinė. Klaidų terminų duomenų diagrama gali parodyti, kad didelis tyrimo laikas labai tiksliai atitiko aukštus testų balus, tačiau tie maži tyrimo laiko testų rezultatai labai skyrėsi ir netgi apėmė labai aukštus balus. Taigi balų dispersija nebūtų gerai paaiškinta paprasčiausiai vienu prognozuojamuoju kintamuoju - studijų laiko kiekiu. Šiuo atveju tikriausiai dar veikia koks nors kitas veiksnys, todėl modelį gali reikėti patobulinti. Tolesnis tyrimas gali atskleisti, kad kai kurie studentai prieš laiką matė atsakymus į testą ir todėl jiems nereikėjo mokytis.
Todėl, norėdamas patobulinti regresijos modelį, tyrėjas pridėtų kitą aiškinamąjį kintamąjį, nurodantį, ar studentas prieš testą matė atsakymus. Tada regresijos modelyje būtų du aiškinamieji kintamieji - studijų laikas ir tai, ar studentas iš anksto žinojo atsakymus. Su šiais dviem kintamaisiais būtų galima paaiškinti daugiau testų balų dispersijos, o klaidos termino dispersija gali būti homoskedadiška, o tai rodo, kad modelis buvo aiškiai apibrėžtas.
Palyginkite investicinių sąskaitų teikėjo pavadinimą Aprašymas Skelbėjo informacijos atskleidimas × Šioje lentelėje pateikti pasiūlymai yra iš partnerystės, iš kurios „Investopedia“ gauna kompensaciją.