Heteroskedastičnost
V statistiki se heteroskedastičnost (ali heteroscedastičnost) zgodi, kadar so standardne napake spremenljivke, ki jih spremljamo v določenem času, nestalne. Z heteroskedastičnostjo je znak za opazovanje ob vizualnem pregledu preostalih napak ta, da se bodo čez čas ponavadi razhajali, kot je prikazano na spodnji sliki.
Heteroskedastičnost se pogosto pojavi v dveh oblikah: pogojna in brezpogojna. Pogojna heteroskadastičnost prepoznava nestalno nestanovitnost, kadar ni mogoče določiti prihodnjih obdobij visoke in nizke hlapnosti. Brezpogojna heterosklestičnost se uporablja, kadar je mogoče določiti terminske obdobje visoke in nizke nestanovitnosti.
Ključni odvzemi
- V statistiki se heteroskedastičnost (ali heteroscedastičnost) zgodi, kadar so standardne napake spremenljivke, ki jih spremljamo v določenem času, nestalne.
- Z heteroskedastičnostjo je znak za opazovanje ob vizualnem pregledu preostalih napak ta, da se bodo čez čas ponavadi razhajali, kot je prikazano na spodnji sliki.
- Heteroskedastičnost je kršitev predpostavk za linearno regresijsko modeliranje, zato lahko vpliva na veljavnost ekonometrične analize ali finančnih modelov, kot je CAPM.
Čeprav heteroskedastičnost ne povzroča pristranskosti v ocenah koeficientov, jih naredi manj natančne; manjša natančnost povečuje verjetnost, da so ocene koeficienta bolj od pravilne vrednosti populacije.
Osnove heterosklestičnosti
V financah se pogojna heterosklestičnost pogosto kaže v cenah delnic in obveznic. Stopnje nestanovitnosti teh lastniških vrednostnih papirjev ni mogoče predvideti v nobenem obdobju. Brezpogojna heterosklestičnost se lahko uporabi pri razpravljanju o spremenljivkah, ki imajo določljivo sezonsko spremenljivost, kot je poraba električne energije.
Ker se nanaša na statistiko, se heteroskedastičnost (tudi črkovalna heteroscedastičnost) nanaša na odstopanje napak ali odvisnost razpršitve znotraj najmanj ene neodvisne spremenljivke v določenem vzorcu. Te variacije je mogoče uporabiti za izračun meje napake med naborom podatkov, kot so pričakovani rezultati in dejanski rezultati, saj zagotavlja merilo odstopanja podatkovnih točk od srednje vrednosti.
Da se nabor podatkov šteje za pomembnega, mora biti večina podatkovnih točk znotraj določenega števila standardnih odstopanj od srednje vrednosti, kot jo opisuje Čebišev izrek, znan tudi kot Čebiševa neenakost. To daje smernice glede verjetnosti naključne spremenljivke, ki se razlikuje od povprečne.
Na podlagi določenega števila standardnih odstopanj ima naključna spremenljivka posebno verjetnost, da obstaja znotraj teh točk. Na primer, morda se zahteva, da razpon dveh standardnih odstopanj vsebuje vsaj 75% podatkovnih točk, ki se štejejo za veljavne. Pogosti vzroki odstopanj zunaj minimalne zahteve so pogosto pripisani vprašanjem kakovosti podatkov.
Nasprotno od heteroskedastike je homoskedastično. Homoskedastičnost se nanaša na stanje, pri katerem je variacija preostalega izraza konstantna ali skoraj enaka. Homoskedastičnost je ena predpostavka modeliranja linearne regresije. Homoskedastičnost kaže na to, da je regresijski model morda dobro opredeljen, kar pomeni, da zagotavlja dobro razlago učinkovitosti odvisne spremenljivke.
Vrste Heteroskedastičnost
Brezpogojno
Brezpogojna heteroskedastičnost je predvidljiva in se najpogosteje nanaša na spremenljivke, ki so po naravi ciklične. To lahko vključuje večjo maloprodajno prodajo, o kateri poročajo v času tradicionalnih prazničnih nakupov, ali povečanje klicev za popravilo klimatske naprave v toplejših mesecih.
Spremembe znotraj variance so lahko vezane neposredno na pojav določenih dogodkov ali napovednih označevalcev, če premiki običajno niso sezonski. To je lahko povezano s povečanjem prodaje pametnih telefonov z izdajo novega modela, saj je dejavnost ciklična glede na dogodek, ni pa nujno določena sezono.
Pogojno
Pogojne heteroskedastičnosti po naravi ni mogoče predvideti. Ni nobenega znaka, ki bi analitike prepričal, da bodo podatki kadar koli bolj ali manj razpršeni. Pogosto se za finančne produkte šteje, da so pod pogojno heteroskedastičnostjo, saj vseh sprememb ni mogoče pripisati posebnim dogodkom ali sezonskim spremembam.
Posebna vprašanja
Heteroskedastičnost in finančno modeliranje
Heteroskedastičnost je pomemben koncept v regresijskem modeliranju, v naložbenem svetu pa se za razlago uspešnosti vrednostnih papirjev in naložbenih portfeljev uporabljajo regresijski modeli. Najbolj znan izmed njih je model določanja cen kapitala (CAPM), ki pojasnjuje uspešnost delnice v smislu njene nestanovitnosti glede na trg kot celoto. Razširitve tega modela so dodale druge spremenljivke napovedovalca, kot so velikost, zagon, kakovost in slog (vrednost v primerjavi z rastjo).
Te spremenljivke napovedovalca so dodane, ker pojasnjujejo ali upoštevajo odstopanje odvisne spremenljivke. Uspešnost portfelja pojasnjuje CAPM. Na primer, razvijalci modela CAPM so se zavedali, da njihov model ni uspel razložiti zanimive anomalije: visokokakovostne zaloge, ki so bile manj nestabilne od zalog nizke kakovosti, so ponavadi dosegale boljše rezultate kot je napovedoval model CAPM. CAPM pravi, da bi morale zaloge višjega tveganja presegati zaloge manjšega tveganja. Z drugimi besedami, zaloge z visoko volatilnostjo bi morale premagati zaloge z nižjo volatilnostjo. Vendar so visokokakovostne zaloge, ki so manj nestabilne, ponavadi boljše, kot je napovedoval CAPM.
Kasneje so drugi raziskovalci razširili model CAPM (ki je že bil razširjen na druge spremenljivke napovedovalca, kot so velikost, slog in zagon), da so vključili kakovost kot dodatno spremenljivko napovedovalca, imenovano tudi "faktor". S tem dejavnikom, ki je zdaj vključen v model, je bila upoštevana nepravilnost pri uspešnosti nizkih volatilnih zalog. Ti modeli, znani kot večfaktorski modeli, so osnova faktorskih naložb in pametne beta.
Primerjajte investicijske račune Ime ponudnika Opis Razkritje oglaševalcev × Ponudbe, ki se pojavijo v tej tabeli, so partnerstva, od katerih Investopedia prejema nadomestilo.