Estadísticas de Definiciones > Heterocedasticidad
La palabra «heterocedasticidad» proviene del griego, y, literalmente, significa de datos con diferentes (hetero) dispersión (skedasis). En términos simples, heteroscedasticidad es cualquier conjunto de datos que no es homoscedástico. Más técnicamente, se refiere a datos con variabilidad desigual (dispersión) a través de un conjunto de segundas variables predictoras.,
Los datos Heteroscedásticos tienden a seguir una forma de cono en un gráfico de dispersión.
¿Por qué nos importa si los datos son heteroscedásticos o no? La mayoría de las veces en las estadísticas, no nos importa. Pero si está ejecutando cualquier tipo de análisis de regresión, tener datos que muestran heterocedasticidad puede arruinar sus resultados (por lo menos, le dará coeficientes sesgados). Por lo tanto, usted querrá comprobar para asegurarse de que sus datos no tienen esta condición., Una forma de comprobar es hacer un gráfico de dispersión (que siempre es una buena idea cuando se está ejecutando regresión de todos modos). Si tu gráfico tiene una forma de cono áspera (como la anterior), probablemente estés lidiando con heterocedasticidad. Aún puede ejecutar análisis de regresión, pero no obtendrá resultados decentes.
en regresión, un error es cuán lejos se desvía un punto de la línea de regresión. Idealmente, sus datos deben ser homoscedásticos (es decir, la varianza de los errores debe ser constante). Fuera de los ejemplos del aula, esta situación rara vez ocurre en la vida real. La mayoría de los datos son heterocedásticos por naturaleza., Tomemos, por ejemplo, la predicción del peso de las mujeres a partir de su altura. En un mundo de Esposas Stepford, donde todo el mundo es un vestido perfecto talla 6, esto sería fácil: las mujeres cortas pesan menos que las mujeres altas. Pero en el mundo real, es prácticamente imposible predecir el peso desde la altura. Las mujeres más jóvenes (en su adolescencia) tienden a pesar menos, mientras que las mujeres posmenopáusicas a menudo aumentan de peso. Pero las mujeres de todas las formas y tamaños existen en todas las edades. Esto crea un gráfico en forma de cono para la variabilidad.,
trazar la variación de la altura / peso de las mujeres resultaría en un embudo que comienza pequeño y se extiende a medida que se mueve a la derecha del gráfico. Sin embargo, el cono puede estar en cualquier dirección (de izquierda a derecha, o de derecha a izquierda):
- El cono se extiende hacia la derecha: los valores pequeños de X dan una dispersión pequeña mientras que los valores más grandes de X dan una dispersión más grande con respecto a Y.
- hacia la izquierda: los valores pequeños de X dan una dispersión grande, mientras que los valores más grandes de X dan una dispersión más pequeña con respecto a Y.,
La heterocedasticidad también se puede encontrar en las observaciones diarias de los mercados financieros, la predicción de resultados deportivos durante una temporada y muchas otras situaciones volátiles que producen datos de alta frecuencia trazados a lo largo del tiempo.
cómo detectar Heteroscedasticidad
una gráfica residual puede sugerir (pero no probar) heteroscedasticidad. Las gráficas residuales se crean mediante:
- calculando los residuos cuadrados.
- trazar los residuos cuadrados contra una variable explicativa (una que usted piensa que está relacionada con los errores).,
- haga un gráfico separado para cada variable explicativa que cree que está contribuyendo a los errores.
no tiene que hacer esto manualmente; la mayoría del software estadístico (es decir, SPSS, Maple) tiene comandos para crear gráficas residuales.
también se pueden ejecutar varias pruebas:
- Park Test.
- prueba Blanca.
consecuencias de la Heteroscedasticidad
Los datos heteroscedásticos severos pueden darle una variedad de problemas:
- OLS no le dará el estimador con la varianza más pequeña (es decir, sus estimadores no serán útiles).,
- Las pruebas de significancia serán demasiado altas o demasiado bajas.
- Los errores estándar estarán sesgados, junto con sus correspondientes estadísticas de prueba e intervalos de confianza.
cómo tratar los datos Heteroscedásticos
Si sus datos son heteroscedásticos, no sería aconsejable ejecutar la regresión en los datos tal como están. Hay un par de cosas que puede probar si necesita ejecutar regresión:
- Dar datos que producen una gran dispersión menos peso.
- transforme la variable y para lograr homoscedasticidad., Por ejemplo, utilice el gráfico de normalidad de Box-Cox para transformar los datos.
Stephanie Glen. «Heterocedasticidad: Definición y Ejemplos» De StatisticsHowTo.com: Estadísticas Elementales para el resto de nosotros! https://www.statisticshowto.com/heteroscedasticity-simple-definition-examples/
——————————————————————————
Necesito ayuda con una tarea o cuestión de prueba? Con Chegg Study, puede obtener soluciones paso a paso a sus preguntas de un experto en el campo. ¡Tus primeros 30 minutos con un tutor de Chegg son GRATIS!