Homoskedastika ir lineāras regresijas modeļa pazīme, kas nozīmē, ka kļūdu dispersija laika gaitā ir nemainīga.
Šis termins, kas ir pretējs heteroskedastiskumam, tiek izmantots, lai nosauktu dažu lineārās regresijas modeļu īpašību, kurā novērtēšanas kļūdas ir nemainīgas visu novērojumu laikā. Pastāvīga dispersija ļauj mums izveidot ticamākus modeļus. Turklāt, ja dispersija, izņemot to, ka tā ir nemainīga, ir arī mazāka, tā nodrošinās ticamāku modeļa prognozi.
Vārdu homoscedasticity var sadalīt divās daļās: homo (vienāds) un cedasticity (dispersija). Tādā veidā, ja mēs pievienotos šiem diviem vārdiem, kas pielāgoti grieķu valodai, mēs iegūtu kaut ko līdzīgu tai pašai vai vienādai izkliedei.
Regresijas analīzeHomoskedastika lineārās regresijas modelī
Homoscedasticitāte ir vēlama kļūdu īpašība vienkāršā regresijas modelī. Homoscedasticity, kā mēs jau teicām iepriekš, ļauj mums izveidot drošākus modeļus. Un šo uzticamību atspoguļo fakts, ka ekonometriķiem ir daudz vieglāk strādāt ar modeli.
Zemāk sniegtais modelis parāda homoscedasticity. Tas nav ideāls piemērs, bet tas ir reāls, ar kuru mēs varam labāk izprast šo jēdzienu.
Iepriekšējā attēlā mēs varam redzēt grafiku, kas atspoguļo IBEX35 cenu. Citāts attiecas uz periodu, kas izvēlēts nejauši no 89 periodiem. Sarkanā līnija apzīmē IBEX35 novērtējumu. Indikators šajā līnijā svārstās uz leju un uz augšu vairāk vai mazāk viendabīgi.
Lai redzētu, vai mūsu modelim piemīt homecedastiskuma īpašība, tas ir, lai redzētu, vai tā kļūdu dispersija ir nemainīga, mēs aprēķināsim kļūdas un uzzīmēsim tās grafikā.
Mēs nevaram droši teikt, ka modelim piemīt homoskedastiskuma īpašība. Lai to izdarītu, mums jāveic attiecīgi testi. Tomēr grafika forma norāda, ka tā ir. Ideāls homoscedastiska procesa piemērs, kas veikts ar nodomu ar datorprogrammu, ir atspoguļots šajā grafikā.
Ideālā priekšstats un mūsu piemērs IBEX35 atšķiras. Tādējādi mums jāsaprot, kādas reālas parādības apgrūtina šī pieņēmuma izpildi.
Kā norādīts rakstā par heteroskedastiskumu, pastāv noteiktas sekas, ja modelis nepilda homoskedastivitātes hipotēzi. Atgādinām, ka, ja modelis neatbilst homoscedasticitātes pieņēmumam, tad tā kļūdām ir heteroscedasticity un notiek šādi gadījumi:
- Kļūdu esamība aprēķinātājiem atbilstošo matricu aprēķinos.
- Tiek zaudēta modeļa efektivitāte un uzticamība.
Homoscedasticitātes un heteroscedasticitātes atšķirības
Heteroskedastiskums atšķiras no homoskedastivitātes ar to, ka pēdējā gadījumā paskaidrojošo mainīgo kļūdu dispersija visos novērojumos ir nemainīga. Atšķirībā no heteroskedastivitātes, homekedastiskajos statistiskajos modeļos viena mainīgā vērtība var paredzēt citu (ja modelis ir objektīvs), un tāpēc kļūdas visā pētījumā ir kopīgas un nemainīgas.
Galvenās situācijas, kurās parādās heteroskedastiski traucējumi, ir analīze ar šķērsgriezuma datiem, kur izvēlētajiem elementiem, neatkarīgi no tā, vai tie ir uzņēmumi, privātpersonas vai ekonomiskie elementi, nav homogēnas uzvedības.
