Homoskedastiska
Homoskedastika (arī ar burtiem "homoscedastic") attiecas uz stāvokli, kurā atlikušā vai kļūdas termina dispersija regresijas modelī ir nemainīga. Tas ir, kļūdas termins daudz neatšķiras, mainoties prognozētāja mainīgā vērtībai. Homoskedasticitāte ir viens pieņēmums par lineārās regresijas modelēšanu. Ja kļūdu dispersija ap regresijas līniju ir ļoti atšķirīga, regresijas modelis var būt vāji definēts. Homoskedasticitātes trūkums var likt domāt, ka regresijas modelī var būt jāietver papildu paredzamie mainīgie, lai izskaidrotu atkarīgā mainīgā veiktspēju.
Homoskedasticitātes pretstats ir heteroskedasticitāte tāpat kā “viendabīgā” pretstats ir “neviendabīgs”. Heteroskedasticitāte attiecas uz stāvokli, kurā kļūdas termina dispersija regresijas vienādojumā nav konstants.
PĀRKLĀŠANA LEJĀ Homoskedastiska
Vienkāršs regresijas modelis jeb vienādojums sastāv no četriem terminiem. Kreisajā pusē ir atkarīgs mainīgais. Tas atspoguļo parādību, kuru modelis cenšas "izskaidrot". Labajā pusē ir konstante, mainīgā prognoze un atlikušais vai kļūdas termins. Kļūdas termins parāda mainīgā lieluma atkarīgajā mainīgajā lielumu, kas nav izskaidrojams ar prognozējamo mainīgo.
Homoskedasticitātes piemērs
Piemēram, pieņemsim, ka jūs vēlējāties izskaidrot studentu ieskaites punktus, izmantojot laiku, ko katrs students pavadīja studējot. Tādā gadījumā pārbaudes rezultāti būs atkarīgs mainīgais lielums, un pētījumam pavadītais laiks būs mainīgais. Kļūdas apzīmējums parādīs testa rezultātu novirzes lielumu, kas nebija izskaidrojams ar mācību laiku. Ja šī novirze ir vienāda vai homoskedastiska, tad tas liek domāt, ka modelis var būt atbilstošs paskaidrojums testa veikšanai - izskaidrot to ar laiku, kas pavadīts studijām.
Bet dispersija var būt heteroskedastiska. Kļūdu termiņu datu diagramma var parādīt, ka liels pētījuma laika daudzums ļoti precīzi atbilda augstajiem pārbaudes rezultātiem, taču zemie pētījuma laika pārbaužu rezultāti ļoti atšķīrās un pat ietvēra dažus ļoti augstus rādītājus. Tātad punktu skaita dispersiju nevarētu labi izskaidrot tikai ar vienu prognozējamo mainīgo - mācību laika daudzumu. Šajā gadījumā, iespējams, darbojas kāds cits faktors, un, iespējams, būs jāuzlabo modelis. Turpmākā izmeklēšana var atklāt, ka daži studenti atbildes uz testu bija redzējuši pirms laika, un tāpēc viņiem nebija jāmācās.
Tāpēc, lai uzlabotu regresijas modeli, pētnieks pievienos vēl vienu skaidrojošu mainīgo, norādot, vai students ir redzējis atbildes pirms testa. Tad regresijas modelim būtu divi skaidrojošie mainīgie - laika studēšana un tas, vai studentam bija iepriekšējas zināšanas par atbildēm. Izmantojot šos divus mainīgos lielumus, tiks izskaidrota vairāk pārbaužu rezultātu dispersija, un kļūdas termina dispersija varētu būt homoskedastiska, kas liek domāt, ka modelis bija precīzi definēts.
Investīciju kontu salīdzināšana Piegādātāja nosaukums Apraksts Reklāmdevēja atklāšana × Piedāvājumi, kas parādās šajā tabulā, ir no partnerībām, no kurām Investtopedia saņem kompensāciju.