Homoskedastic
Homoskedastic (tiež označovaný ako „homoscedastic“) sa týka stavu, v ktorom je rozptyl zvyškového alebo chybového termínu v regresnom modeli konštantný. To znamená, že chybový termín sa príliš nemení, pretože sa mení hodnota predikčnej premennej. Homoskedasticita je jedným z predpokladov lineárneho regresného modelovania. Ak sa rozptyl chýb okolo regresnej priamky veľmi líši, regresný model môže byť zle definovaný. Nedostatok homoskedasticity môže naznačovať, že regresný model bude možno potrebovať zahrnúť ďalšie predikčné premenné na vysvetlenie výkonu závislej premennej.
Opak homoskedasticity je heteroskedasticity, rovnako ako opak homogénnych je heterogénny. Heteroskedasticita sa týka stavu, v ktorom rozptyl chybového termínu v regresnej rovnici nie je konštantný.
DREVOSTIŤ Homoskedastic
Jednoduchý regresný model alebo rovnica sa skladá zo štyroch výrazov. Na ľavej strane je závislá premenná. Predstavuje jav, ktorý sa model snaží „vysvetliť“. Na pravej strane je konštanta, predikčná premenná a zvyškový alebo chybový termín. Chybový termín ukazuje mieru variability v závislej premennej, ktorá nie je vysvetlená predikčnou premennou.
Príklad homoskedasticity
Predpokladajme napríklad, že ste chceli vysvetliť skóre študentských testov pomocou množstva času, ktorý každý študent strávil štúdiom. V tomto prípade by skóre testu bolo závislou premennou a čas strávený štúdiom by bol prediktorovou premennou. Termín chyby by ukazoval množstvo rozptylu v skóre testu, ktoré nebolo vysvetlené množstvom času študovania. Ak je táto odchýlka jednotná alebo homoskedastická, potom by to naznačovalo, že model môže byť primeraným vysvetlením výkonnosti testu - vysvetľuje to z hľadiska času stráveného štúdiom.
Rozptyl však môže byť heteroskedastický. Graf údajov o chybovom termíne môže ukázať, že veľké množstvo času štúdie veľmi úzko korešpondovalo s vysokými skóre testu, ale nízke skóre skóre testu sa veľmi líšilo a dokonca zahŕňalo niektoré veľmi vysoké skóre. Rozptyl skóre by teda nebolo možné vysvetliť jednoducho jednou predikčnou premennou - množstvom času na štúdium. V takom prípade pravdepodobne funguje nejaký iný faktor a možno bude potrebné model vylepšiť. Ďalšie vyšetrovanie môže odhaliť, že niektorí študenti videli odpovede na test v predstihu, a preto nemuseli študovať.
Aby sa zlepšil regresný model, výskumný pracovník by preto pridal ďalšiu vysvetľujúcu premennú naznačujúcu, či študent videl odpovede pred testom. Regresný model by mal potom dve vysvetľujúce premenné - štúdium času a to, či mal študent predchádzajúce znalosti o odpovediach. Pri týchto dvoch premenných by bolo vysvetlené viac rozptylu skóre testu a rozptyl chybového termínu by potom mohol byť homoskedastický, čo naznačuje, že model bol dobre definovaný.
Porovnať investičné účty Názov poskytovateľa Opis Zverejnenie informácií inzerenta × Ponuky uvedené v tejto tabuľke pochádzajú od partnerstiev, od ktorých spoločnosť Investopedia dostáva kompenzácie.