Heteroscedasticity: Egyszerű fogalma, Példák

Statisztikák Meghatározások > Heteroscedasticity

A szót, hogy “heteroscedasticity” származik a görög, pedig szó szerint azt jelenti, hogy az adatokat egy másik (hetero) diszperziós (skedasis). Egyszerűen fogalmazva, heteroscedasticity olyan adathalmaz, amely nem homoscedastic. Technikailag inkább olyan adatokra utal, amelyek egyenlőtlen változékonysággal (scatter) rendelkeznek a második, prediktor változók halmazán.,

a heteroszkedasztikus adatok szórásgráfon kúp alakzatot követnek.

Miért érdekel minket, hogy az adatok heteroszexuálisak-e vagy sem? A statisztikákban legtöbbször nem érdekel. De ha bármilyen regressziós elemzést futtat, a heteroszkedaszticitást mutató adatok tönkretehetik az eredményeket(legalábbis elfogult együtthatókat ad). Ezért ellenőrizni szeretné, hogy megbizonyosodjon arról, hogy az adatai nem rendelkeznek-e ezzel a feltétellel., Az egyik módja annak, hogy ellenőrizze, hogy egy scatter grafikon (ami mindig egy jó ötlet, ha fut regresszió egyébként). Ha a grafikon durva kúp alakú (mint a fenti), akkor valószínűleg heteroszkedaszticitással foglalkozik. Még mindig futtathatja a regressziós elemzést, de nem kap tisztességes eredményeket.

regresszióban a hiba az, hogy egy pont milyen mértékben tér el a regressziós vonaltól. Ideális esetben az adatoknak homoscedasticnak kell lenniük (azaz a hibák szórásának állandónak kell lennie). Az osztálytermi példákon kívül ez a helyzet ritkán fordul elő a való életben. A legtöbb adat természeténél fogva heteroszkedasztikus., Vegyük például a nők súlyának előrejelzését a magasságukból. Egy Stepford Wives világban, ahol mindenki tökéletes ruha mérete 6, Ez könnyű lenne: a rövid nők súlya kevesebb, mint a magas nők. De a való világban gyakorlatilag lehetetlen megjósolni a súlyt a magasságból. A fiatalabb nők (tizenéves korukban) kevésbé súlyoznak, míg a posztmenopauzális nők gyakran súlyt kapnak. De a nők minden formája és mérete létezik minden korosztály számára. Ez létrehoz egy kúp alakú gráf variabilitás.,

a nők magasságának / súlyának ábrázolása azt eredményezné, hogy egy tölcsér kicsiről indul, és a grafikon jobb oldalán haladva szétterjed. Azonban a kúp lehet mindkét irányba (balról jobbra, vagy jobbról balra):

• Kúp terjed ki, hogy a helyes: kis értékek X adj egy kis scatter míg a nagyobb értékek X adj egy nagyobb szórás tekintetében Y.
• Kúp terjed ki, hogy a bal: kis értékek X adj egy nagy szórás, míg a nagyobb értékek X adni egy kisebb szórás tekintetében Y.,

Heteroscedasticity is megtalálható a napi megfigyelések a pénzügyi piacok, előre sport eredmények egy szezonban, és sok más illékony helyzetekben, hogy készítsen nagyfrekvenciás adatok ábrázolt idővel.

A Heteroszkedaszticitás kimutatásának módja

a maradék telek heteroszkedaszticitást sugallhat (de nem bizonyíthat). A maradék parcellákat a következők hozzák létre:

1. a négyzet alakú maradványok kiszámítása.
2. a négyzet alakú maradványok ábrázolása egy magyarázó változóval szemben (amely szerinted a hibákhoz kapcsolódik).,
3. készítsen külön parcellát minden magyarázó változóhoz, amelyről úgy gondolja, hogy hozzájárul a hibákhoz.

ezt nem kell manuálisan elvégeznie; a legtöbb statisztikai szoftver (azaz SPSS, Maple) parancsokkal rendelkezik a maradék parcellák létrehozásához.

Több teszt is futtatható:

1. Park teszt.
2. fehér teszt.

A Heteroszkedaszticitás következményei

a súlyos heteroszkedasztikus adatok számos problémát okozhatnak:

• az OLS nem adja meg a legkisebb szórással rendelkező becslőt (azaz a becslői nem lesznek hasznosak).,
• a szignifikancia tesztek túl magasak vagy túl alacsonyak lesznek.
• a Standard hibák elfogultak lesznek, a megfelelő tesztstatisztikákkal és konfidencia-intervallumokkal együtt.

hogyan kell kezelni a Heteroszkedasztikus adatokat

Ha az adatok heteroszkedasztikusak, nem tanácsos regressziót futtatni az adatokon, ahogy van. Van néhány dolog, amit megpróbálhat, ha regressziót kell futtatnia:

1. adjon olyan adatokat, amelyek nagy szórást eredményeznek kisebb súly.
2. Alakítsa át az Y változót a homoscedasticitás elérése érdekében., Például használja a Box-Cox normality parcellát az adatok átalakításához.

——————————————————————————

segítségre van szüksége egy házi feladathoz vagy tesztkérdéshez? A Chegg tanulmány segítségével lépésről-lépésre megoldásokat kaphat kérdéseire a terület szakértőjétől. Az első 30 perc egy Chegg oktatóval ingyenes!