Homoskedastic
Homoskedasticul (de asemenea, scris "homoscedastic") se referă la o afecțiune în care variația termenului rezidual, sau eroare, într-un model de regresie este constantă. Adică, termenul de eroare nu variază foarte mult pe măsură ce se modifică valoarea variabilei predictor. Homoskedasticitatea este o presupunere de modelare a regresiei liniare. Dacă variația erorilor din jurul liniei de regresie variază mult, modelul de regresie poate fi slab definit. Lipsa de homoskedasticitate poate sugera că modelul de regresie poate avea nevoie să includă variabile de predictor suplimentare pentru a explica performanța variabilei dependente.
Opusul homoskedasticității este heteroskedasticitatea la fel cum opusul „omogen” este „eterogen”. Heteroskedasticitatea se referă la o condiție în care variația termenului de eroare într-o ecuație de regresie nu este constantă.
DESCĂRCARE Homoskedastică
Un model de regresie simplă, sau ecuație, este format din patru termeni. În partea stângă se află variabila dependentă. Reprezintă fenomenul pe care modelul caută să-l „explice”. În partea dreaptă se află o constantă, o variabilă predictivă și un termen rezidual sau de eroare. Termenul de eroare arată cantitatea de variabilitate a variabilei dependente care nu este explicată de variabila predictoare.
Exemplu de homoskedasticitate
De exemplu, să presupunem că ați dorit să explicați scorurile la testele studenților folosind perioada de timp petrecută de fiecare student. În acest caz, scorurile testului ar fi variabila dependentă, iar timpul petrecut în studiu ar fi variabila predictoare. Termenul de eroare ar arăta cantitatea de varianță în scorurile testului care nu a fost explicată de timpul de studiu. Dacă această variație este uniformă sau homoskedastică, atunci acest lucru ar sugera că modelul poate fi o explicație adecvată pentru performanța testului - explicarea acesteia în termenii petrecuți în studiu.
Dar variația poate fi heteroskedastică. Un grafic al datelor termenului de eroare poate arăta o cantitate mare de timp de studiu a corespuns foarte strâns cu scorurile de test ridicate, dar că scorurile scăzute ale testului timpului de studiu au variat mult și au inclus chiar și scoruri foarte mari. Așadar, variația scorurilor nu ar fi bine explicată printr-o singură variabilă predictor - timpul de studiu. În acest caz, un alt factor este probabil la locul de muncă, iar modelul poate fi necesar să fie îmbunătățit. Cercetările ulterioare pot dezvălui că unii studenți au văzut răspunsurile la test înainte de timp și, prin urmare, nu au avut nevoie să studieze.
Pentru a îmbunătăți modelul de regresie, cercetătorul ar adăuga, așadar, o altă variabilă explicativă, indicând dacă un student a văzut răspunsurile înainte de test. Modelul de regresie ar avea apoi două variabile explicative - studierea timpului și dacă studentul a avut cunoștințe prealabile despre răspunsuri. Cu aceste două variabile, s-ar explica mai mult din variația scorurilor testului și variația termenului de eroare ar putea fi apoi homoskedastică, ceea ce sugerează că modelul a fost bine definit.
Compararea conturilor de investiții Denumirea furnizorului Descrierea divulgatorului de publicitate × Ofertele care apar în acest tabel provin din parteneriate de la care Investopedia primește compensații.