A statisztika nagyon szórakoztató. Tele van sok szórakoztató szavakkal is, mint a heteroszkedaszticitás, szintén heteroszkedaszticitás. Ez egy szórakoztató szó egy meglehetősen furcsa témához. De ez a konkrét téma elengedhetetlen oly sok más dolog értelmezéséhez, mint például a lineáris regresszió. Vessünk egy mélyebb pillantást arra, hogy pontosan mi a heteroszkedaszticitás és hogyan használják.,
Funny Word, Serious Statistics
lényegében a heteroscedasticity az, hogy a reziduumok varianciája milyen mértékben függ a predictor változótól. Emlékezzünk vissza, hogy a variancia a tényleges eredmény és a modell által előre jelzett eredmény közötti különbség összege. A maradványok a modelltől is eltérhetnek. Az adatok heteroskedastic, ha az összeg, hogy a maradványok eltérnek a modell változik, mint a predictor változó változik.
Ez meglehetősen absztrakt definíció lehet, ezért nézzünk egy példát.
tegyük fel, hogy te autó vásárlás., Természetesen a gáz kilométerrel foglalkozik, mert ki nem? Mivel érdekli, úgy dönt, hogy összehasonlítja a motorhengerek számát A gáz kilométerrel. Ha igen, akkor kap egy grafikont, amely így néz ki:
általában lefelé mutató minta van. De ugyanakkor az adatpontok kissé szétszórtnak tűnnek. Lehetőség van arra, hogy az adatokhoz legjobban illeszkedjen. De ott hiányzik egy csomó adat.,
valójában úgy néz ki, hogy az adatpontok először elég elterjedtek, közelebb kerülnek, majd újra elterjednek. Hmmmm. Ez heteroszkedasztikus adatokat jelent. Ez azt jelenti, hogy lineáris modellünk nem illeszkedik nagyon jól az adatokhoz, ezért valószínűleg módosítanunk kell.
miért zavarja a Heteroscedasticitást?
más, mint szórakoztató mondani, heteroszkedaszticitás azt jelenti,hogy az adatokat befolyásolja valami, amit nem számviteli. Ez általában azt jelenti, hogy valami más történik, és lehet, hogy felül kell vizsgálnunk a modellünket.,
lényegében ellenőrizni lehet A heteroszkedaszticitást az adatpontok x-tengelyhez való összehasonlításával. Ha szétterülnek vagy konvergálnak, akkor ez azt jelenti, hogy a maradványok (tehát a modell) változékonysága a független változó értékétől függ. Ez nem jó a modellünknek. Ez sérti a lineáris regresszió egyik feltételezését is. Ha az adatok heteroszkedasztikusak, akkor újra kell gondolnunk a modellünket.
Egyéb Tidbits
Ha az adatok heteroszkedasztikusak, akkor homoszkedasztikus is lehet., Homoscedastic adatok, Amikor a variabilitás a maradványok nem változik, mint a független változó nem. Ha az adatok homoscedastic, ez egy jó dolog. Ez azt jelenti, hogy a modell számlák a változók elég jól, így meg kell tartani.
az egyik gyakori tévhit a hetero – és a homo-scedasticity, hogy köze van a változók magukat.
- nem kell a változókkal, csak a maradványokkal!
ne feledje, hogy a maradványok a modell hibáját jelentik., Ha a modellben a hiba mennyisége megváltozik, amikor a változók megváltoznak, akkor nincs nagyon jó modellje. Akkor itt az ideje, hogy visszatérjen az elméleti rajztáblához.
a Hetero – és homoscedasticitás meglehetősen fontos téma a pénzügyi vagy ipari munkák tanulmányozásában. Ideális esetben az Ön adatai homoszkóposak lennének, de kétféle heteroszkedaszticitás létezik, feltételes és feltétel nélküli.
feltétel nélküli heteroscedasticitás esetén a reziduumok változását nem befolyásolja a független változó., A feltételes heteroszkedaszticitás esetén azonban a maradványok változását valamilyen előre nem látható módon befolyásolja a független változó. A feltételes heteroscedasticitás általában idősoros adatokkal jelenik meg.
TL; DR, heteroscedasticity az a tendencia, a hiba / maradványok növelése vagy csökkentése, mint a független változó változik. Ez azt mondja, hogy a modell nem csillag, mert van valami, ami befolyásolja az adatokat, hogy nem számviteli a modell. Emiatt az adatok nem lehetnek heteroszkedasztikusak egy jó modellhez. Boldog statisztikák!,