Homoskedastic
Homoskedastic (også stavet "homoscedastic") refererer til en tilstand der variansen av den resterende eller feilbetegnelsen i en regresjonsmodell er konstant. Det vil si at feiluttrykket ikke varierer mye ettersom verdien av prediktorvariabelen endres. Homoskedasticitet er en antagelse om lineær regresjonsmodellering. Hvis variansen til feilene rundt regresjonslinjen varierer mye, kan regresjonsmodellen være dårlig definert. Mangelen på homoskedastisitet kan antyde at regresjonsmodellen kan trenge å inkludere flere prediktorvariabler for å forklare ytelsen til den avhengige variabelen.
Det motsatte av homoskedastisitet er heteroskedastisitet, akkurat som det motsatte av "homogen" er "heterogen". Heteroskedastisitet refererer til en tilstand der variansen av feiluttrykket i en regresjonsligning ikke er konstant.
Å bryte ned Homoskedastic
En enkel regresjonsmodell, eller ligning, består av fire begreper. På venstre side er den avhengige variabelen. Det representerer fenomenet modellen søker å "forklare." På høyre side er en konstant, en prediktorvariabel, og en resterende eller feilbetegnelse. Feilbegrepet viser mengden variabilitet i den avhengige variabelen som ikke er forklart av prediktorvariabelen.
Eksempel på Homoskedasticity
Anta for eksempel at du ønsket å forklare studenttestene ved å bruke tiden hver student brukte på å studere. I dette tilfellet ville testresultatene være den avhengige variabelen, og tiden som ble brukt på å studere vil være prediktorvariabelen. Feilbegrepet ville vise mengden av varians i testresultatene som ikke ble forklart med mengden studietid. Hvis denne variansen er ensartet, eller homoskedastisk, kan det antyde at modellen kan være en tilstrekkelig forklaring på testprestasjoner - forklare den med tanke på tidsbruk.
Men variansen kan være heteroskedastisk. Et diagram over feiltidsdataene kan vise at en stor mengde studietid samsvarte veldig tett med høye testresultater, men at testresultatene med lav studietid varierte mye og til og med inkluderte noen veldig høye score. Så variansen av score vil ikke bli godt forklart bare med én prediktorvariabel - hvor mye tid man studerer. I dette tilfellet er nok en annen faktor på jobb, og det kan hende at modellen må forbedres. Ytterligere undersøkelser kan avsløre at noen studenter hadde sett svarene på testen på forhånd og derfor ikke trengte å studere.
For å forbedre regresjonsmodellen vil forskeren derfor legge til en annen forklaringsvariabel som indikerer om en student hadde sett svarene før testen. Regresjonsmodellen ville da ha to forklarende variabler - tidsstudier og om studenten hadde forkunnskaper om svarene. Med disse to variablene vil mer av variansen av testresultatene bli forklart og variansen av feiluttrykket kan da være homoskedastisk, noe som antyder at modellen var godt definert.
Sammenlign Navn på leverandør av investeringskontoer Beskrivelse Annonsørens avsløring × Tilbudene som vises i denne tabellen er fra partnerskap som Investopedia mottar kompensasjon fra.