Homoskedastično
OPREDELITEV HomoskedastikeHomoskedastično (napisano tudi "homoscedastic") se nanaša na stanje, v katerem je variacija preostalega ali napačnega izraza v regresijskem modelu konstantna. To pomeni, da se izraz napake ne razlikuje veliko, saj se spreminja vrednost spremenljivke napovedovalca. Homoskedastičnost je ena predpostavka modeliranja linearne regresije. Če se odstopanje napak okoli regresijske črte močno razlikuje, je regresijski model lahko slabo definiran. Pomanjkanje homoskedastičnosti lahko nakazuje, da bo regresijski model morda moral vključevati dodatne spremenljivke napovedovalca, da bi razložil uspešnost odvisne spremenljivke.
Nasprotno od homoskedastičnosti je heteroskedastičnost, tako kot je nasprotje "homogeni" "heterogeno". Heteroskadastičnost se nanaša na stanje, pri katerem varianca izraza napake v regresijski enačbi ni konstantna.
RAZKRIJANJE DOLO Homoskedastično
Preprost regresijski model ali enačba je sestavljena iz štirih pojmov. Na levi strani je odvisna spremenljivka. Predstavlja pojav, ki ga model želi "razložiti". Na desni strani so stalnica, spremenljivka napovedovalca in izraz preostanek ali napaka. Izraz napake prikazuje količino spremenljivosti v odvisni spremenljivki, ki je ni pojasnjena s spremenljivko napovedovalca.
Primer homoskedastičnosti
Recimo, da ste želeli razložiti ocene študentskih preizkusov z uporabo časa, ki ga je vsak študent preživel v študiju. V tem primeru bi bili rezultati preskusov odvisna spremenljivka, čas, porabljen za študij, pa bi bil spremenljivka napovedovalca. Izraz napake bi pokazal količino odstopanja v rezultatih testov, ki ga ni razložil čas študija. Če je ta odstopanje enotna ali homoskedastična, potem bi to lahko nakazovalo, da bo model ustrezna razlaga za uspešnost preizkusa - razlago v smislu časa, preživetega v študiju.
Toda varianta je lahko heteroskedastična. Pregled podatkov o napačnem terminu lahko pokaže, da je veliko časa študija zelo ustrezalo visokim rezultatom testa, vendar so se rezultati nizkih preskusnih časov zelo razlikovali in vključevali tudi nekaj zelo visokih rezultatov. Torej variacije rezultatov ne bi dobro razložili zgolj ena spremenljivka napovedovalca - čas študija. V tem primeru verjetno deluje kakšen drug dejavnik, zato bo morda treba izboljšati model. Nadaljnja preiskava lahko razkrije, da so nekateri študenti odgovore preskusa videli pred časom, zato jim ni bilo treba študirati.
Za izboljšanje regresijskega modela bi raziskovalec zato dodal še eno razlagalno spremenljivko, ki kaže, ali je študent odgovore videl pred preskusom. Regresijski model bi imel dve razlagalni spremenljivki - čas študija in ali je študent predhodno vedel za odgovore. S tema dvema spremenljivkama bi bilo mogoče razložiti več variance testnih rezultatov in variacija izraza napake bi bila potem homoskedastična, kar kaže na to, da je bil model dobro opredeljen.
Primerjajte investicijske račune Ime ponudnika Opis Razkritje oglaševalcev × Ponudbe, ki se pojavijo v tej tabeli, so partnerstva, od katerih Investopedia prejema nadomestilo.