heteroskedasticity
V štatistike sa heteroskedasticita (alebo heteroscedasticita) vyskytuje, keď štandardné chyby premennej, monitorované počas špecifického času, nie sú konštantné. Pri heteroskedasticite je kontrolným znakom pri vizuálnej kontrole zvyškových chýb to, že majú tendenciu postupne sa rozvetvovať, ako je znázornené na obrázku nižšie.
Heteroskedasticita sa často vyskytuje v dvoch formách: podmienená a nepodmienená. Podmienená heteroskedasticita označuje nekonzistentnú volatilitu, keď nie je možné identifikovať budúce obdobia vysokej a nízkej volatility. Bezpodmienečná heteroskedasticita sa používa vtedy, keď je možné identifikovať futures periódy vysokej a nízkej volatility.
Kľúčové jedlá
- V štatistike sa heteroskedasticita (alebo heteroscedasticita) vyskytuje, keď štandardné chyby premennej, monitorované počas špecifického času, nie sú konštantné.
- Pri heteroskedasticite je kontrolným znakom pri vizuálnej kontrole zvyškových chýb to, že majú tendenciu postupne sa rozvetvovať, ako je znázornené na obrázku nižšie.
- Heteroskedasticita je porušením predpokladov pre lineárne regresné modelovanie, a tak môže ovplyvniť platnosť ekonometrickej analýzy alebo finančných modelov, ako je CAPM.
Zatiaľ čo heteroskedasticita nespôsobuje predpojatosť v odhadoch koeficientov, robí ich menej presnými; nižšia presnosť zvyšuje pravdepodobnosť, že odhady koeficientov sú ďalej od správnej hodnoty populácie.
Základy heteroskedasticity
Vo financiách sa podmienená heteroskedasticita často prejavuje v cenách akcií a dlhopisov. Úroveň volatility týchto akcií sa nedá predpovedať v žiadnom období. Pri diskusiách o premenných, ktoré majú identifikovateľnú sezónnu variabilitu, ako je napríklad spotreba elektriny, sa môže použiť bezpodmienečná heteroskedasticita.
Pokiaľ ide o štatistiku, heteroskedasticita (tiež hláskovaná heteroscedasticita) sa týka rozptylu chýb alebo závislosti rozptylu v rámci minimálne jednej nezávislej premennej v konkrétnej vzorke. Tieto variácie sa môžu použiť na výpočet miery chyby medzi súbormi údajov, ako sú očakávané výsledky a skutočné výsledky, pretože poskytujú mieru odchýlky údajových bodov od strednej hodnoty.
Aby sa súbor údajov považoval za relevantný, väčšina údajových bodov musí byť v rámci určitého počtu štandardných odchýlok od priemeru opísaného v Chebyshevovej vete, známej tiež ako Chebyshevova nerovnosť. Toto poskytuje usmernenia týkajúce sa pravdepodobnosti náhodnej premennej odlišnej od priemeru.
Na základe stanoveného počtu štandardných odchýlok má náhodná premenná určitú pravdepodobnosť, že v týchto bodoch existuje. Napríklad sa môže vyžadovať, aby rozsah dvoch štandardných odchýlok obsahoval aspoň 75% údajových bodov, ktoré sa považujú za platné. Bežná príčina odchýlok mimo minimálnej požiadavky sa často pripisuje problémom kvality údajov.
Opak heteroskedastik je homoskedastik. Homoskedasticita sa týka stavu, v ktorom je rozptyl zvyškového členu konštantný alebo takmer taký. Homoskedasticita je jedným z predpokladov lineárneho regresného modelovania. Homoskedasticita naznačuje, že regresný model môže byť dobre definovaný, čo znamená, že poskytuje dobré vysvetlenie výkonnosti závislej premennej.
Typy Heteroskedasticity
bezpodmienečný
Bezpodmienečná heteroskedasticita je predvídateľná a najčastejšie sa týka premenných, ktoré sú svojou povahou cyklické. Môže to zahŕňať vyššie maloobchodné tržby zaznamenané počas tradičného obdobia dovolenkového nakupovania alebo zvýšenie počtu volaní na opravu klimatizačného zariadenia počas teplejších mesiacov.
Zmeny v rámci rozptylu môžu byť priamo spojené s výskytom konkrétnych udalostí alebo prediktívnych ukazovateľov, ak zmeny nie sú tradične sezónne. Môže to súvisieť so zvýšením predaja smartfónov s vydaním nového modelu, pretože aktivita je cyklická na základe udalosti, ale nemusí sa nevyhnutne určovať podľa sezóny.
podmieňovací
Podmienená heteroskedasticita nie je svojou povahou predvídateľná. Neexistuje žiadny náznak, ktorý by mohol viesť analytikov k presvedčeniu, že údaje sa v každom okamihu viac alebo menej rozptýlia. Finančné produkty sa často považujú za podmienené heteroskedasticitou, pretože nie všetky zmeny možno pripísať konkrétnym udalostiam alebo sezónnym zmenám.
Osobitné úvahy
Heteroskedasticita a finančné modelovanie
Heteroskedasticita je dôležitým konceptom v regresnom modelovaní a vo svete investícií sa na recesiu modelov cenných papierov a investičných portfólií používajú regresné modely. Najznámejší z nich je model stanovovania cien investičného majetku (CAPM), ktorý vysvetľuje výkonnosť akcie z hľadiska jej volatility vo vzťahu k trhu ako celku. Rozšírenia tohto modelu pridali ďalšie predikčné premenné, ako sú veľkosť, hybnosť, kvalita a štýl (hodnota verzus rast).
Tieto predikčné premenné boli pridané, pretože vysvetľujú alebo vysvetľujú rozptyl v závislej premennej. Výkonnosť portfólia vysvetľuje CAPM. Napríklad vývojári modelu CAPM si boli vedomí, že ich model nevysvetlil zaujímavú anomáliu: vysoko kvalitné zásoby, ktoré boli menej volatilné ako zásoby nízkej kvality, mali tendenciu dosahovať lepšiu výkonnosť, ako sa predpokladalo v modeli CAPM. CAPM tvrdí, že akcie s vyšším rizikom by mali prekonať akcie s nižším rizikom. Inými slovami, akcie s vysokou volatilitou by mali prekonať akcie s nízkou volatilitou. Vysoko kvalitné zásoby, ktoré sú menej volatilné, však mali tendenciu dosahovať lepšiu výkonnosť, ako sa predpokladalo v CAPM.
Neskôr iní vedci rozšírili model CAPM (ktorý už bol rozšírený o ďalšie predikčné premenné, ako je veľkosť, štýl a hybnosť), aby zahrnuli kvalitu ako ďalšiu predikčnú premennú, ktorá je známa aj ako „faktor“. Pri zahrnutí tohto faktora do modelu sa zohľadnila anomália výkonnosti nízko volatilných akcií. Tieto modely, známe ako viacfaktorové modely, tvoria základ faktorového investovania a inteligentnej verzie beta.
Porovnať investičné účty Názov poskytovateľa Opis Zverejnenie informácií inzerenta × Ponuky uvedené v tejto tabuľke pochádzajú od partnerstiev, od ktorých spoločnosť Investopedia dostáva kompenzácie.