Esența heteroscedasticitate

Heteroscedasticitatea (heterossedasticity engleză.) - un termen folosit în statisticile aplicate (cel mai des - vekonometrike), indicând eterogenitatea observațiilor, care se manifestă în inegale (instabil) variația erorii aleatorie a (econometric) modelul de regresie. protivopolozhnagomoskedastichnosti HETEROSCEDASTICITĂȚII, ceea ce înseamnă omogenitatea observațiilor, adică, constanța dispersiei modelului de eroare aleatoare.

Prezența heteroscedasticitate erorilor aleatoare conduce la ineficiență scorurilor obținute cu mici pătrate pomoschyumetoda. Mai mult decât atât, în acest caz, este estimarea nesusținut ectopică și clasică a parametrilor matricei de covarianță OLS estimări. Prin urmare concluzii statistice cu privire la calitatea estimărilor pot fi inadecvate. În acest sens, testarea pentru modelele HETEROSCEDASTICITĂȚII este una dintre procedurile necesare pentru construirea modelelor de regresie.

La o primă aproximare prezența heteroscedasticitate se poate observa în graficele rezidualelor de regresie (sau pătrate) pentru unele variabile asupra variabilei dependente estimat sau numărul de observație. In aceste grafice, dispersia punctelor poate varia în funcție de valorile acestor variabile.

Pentru un test mai riguros se aplică, de exemplu, testele statistice alb, Goldfeld - Kuandta, Broysha - pagani, Park, Glaser, Spearman.

Modelul de evaluare cu heteroschedasticitate

Deoarece OLS parametrii de model rămâne imparțial bogat chiar Heteroskedasticity, apoi un număr suficient de observații posibile OLS de aplicare. Cu toate acestea, pentru o deducții statistice mai exacte și valide au nevoie de ispolzovatstandartnye erori în formă de alb.

Metode pentru reducerea Heteroskedasticity

Folosind metoda celor mai mici pătrate ponderate (WLS, WLS). În această metodă, fiecare observație este ponderată invers proporțională cu deviația standard a erorii aleatorii intenționată în această observație. Această abordare ne permite să facem greșeli ocazionale modelul homoskedasticity. În special, în cazul în care se presupune că abaterea standard a erorii este proporțională cu o variabilă Z, atunci datele sunt împărțite în variabila, inclusiv o constantă.

Înlocuirea datele originale ale derivaților acestora, de exemplu, logaritmul sau modificarea relativă a unei alte funcții neliniare. Această abordare este adesea folosit în cazul creșterii varianței erorii cu valori crescătoare ale variabilei independente și conduce la stabilizarea dispersiei într-o gamă mai largă de date de intrare.

Definiția „competențe“ model în care variația de eroare este relativ stabilă, iar utilizarea de combinații de modele. Astfel, fiecare model funcționează numai în domeniile lor de expertiză, iar variația erorii nu depășește o valoare limită predeterminată. Această abordare este comună în domeniul recunoașterii model, care folosesc adesea modele neliniare complexe și euristici.

Stare a 2-Gauss-Markov este faptul că variația de eroare este constantă pentru toate observațiile:

D (ui) = s2 = const, i = 1 n.

Condiția dispersiei de independență față de numărul de observare este numit homoscedasticity (homoscedasticity). Cazul de dispersie variabilitate pentru diferite observații numite heteroskedasticitate (heteroscedasticitate). Figura 5 a) prezintă un exemplu de imagine tipică pentru cazul homoscedasticity erorilor din Fig. 5 b) - Exemplul heteroscedasticitate erori de date.