heteroskedasticitets
I statistik sker der heteroskedasticitet (eller heteroscedasticitet), når en variabels standardfejl, der overvåges over en bestemt tidsperiode, er ikke-konstant. Med heteroskedasticitet er fortællingstegnet ved visuel inspektion af de resterende fejl, at de vil have en tendens til at vifte ud over tid, som afbildet på billedet herunder.
Heteroskedasticitet opstår ofte i to former: betinget og ubetinget. Betinget heteroskedasticitet identificerer ikke-konstant volatilitet, når fremtidige perioder med høj og lav volatilitet ikke kan identificeres. Ubetinget heteroskedasticitet anvendes, når futuresperioder med høj og lav volatilitet kan identificeres.
Key takeaways
- I statistik sker der heteroskedasticitet (eller heteroscedasticitet), når en variabels standardfejl, der overvåges over en bestemt tidsperiode, er ikke-konstant.
- Med heteroskedasticitet er fortællingstegnet ved visuel inspektion af de resterende fejl, at de vil have en tendens til at vifte ud over tid, som afbildet på billedet herunder.
- Heteroskedasticitet er en krænkelse af antagelserne for lineær regressionsmodellering, og det kan således påvirke gyldigheden af økonometrisk analyse eller økonomiske modeller som CAPM.
Mens heteroskedasticitet ikke forårsager skævhed i koefficientestimaterne, gør det dem mindre præcise; lavere præcision øger sandsynligheden for, at koefficientestimaterne er længere fra den korrekte populationsværdi.
Grundlæggende om Heteroskedasticitet
I finansieringen ses ofte betinget heteroskedasticitet i priserne på aktier og obligationer. Volatilitetsniveauet for disse aktier kan ikke forudsiges over nogen periode. Ubetinget heteroskedasticitet kan bruges, når vi diskuterer variabler, der har identificerbar sæsonbestemte variationer, såsom elforbrug.
Da det vedrører statistikker, henviser heteroskedasticitet (også stavet heteroscedasticitet) til fejlvariansen eller afhængigheden af spredning inden for et minimum af en uafhængig variabel inden for en bestemt prøve. Disse variationer kan bruges til at beregne fejlmargenen mellem datasæt, såsom forventede resultater og faktiske resultater, da det giver et mål for afvigelsen af datapunkter fra middelværdien.
For at et datasæt kan betragtes som relevant, skal størstedelen af datapunkterne ligge inden for et bestemt antal standardafvigelser fra middelværdien som beskrevet af Chebyshevs sætning, også kendt som Chebyshevs ulighed. Dette giver retningslinjer for sandsynligheden for, at en tilfældig variabel adskiller sig fra gennemsnittet.
Baseret på antallet af specificerede standardafvigelser har en tilfældig variabel en særlig sandsynlighed for at eksistere inden for disse punkter. F.eks. Kan det kræves, at et interval af to standardafvigelser indeholder mindst 75% af de datapunkter, der skal betragtes som gyldige. En almindelig årsag til afvigelser uden for minimumskravet tilskrives ofte spørgsmål om datakvalitet.
Det modsatte af heteroskedastisk er homoskedastisk. Homoskedasticitet henviser til en tilstand, hvor variationen af den resterende betegnelse er konstant eller næsten så. Homoskedasticitet er en antagelse om lineær regressionsmodellering. Homoskedasticitet antyder, at regressionsmodellen kan være veldefineret, hvilket betyder, at den giver en god forklaring af den afhængige variables ydelse.
Typerne heteroskedasticitet
Ubetinget
Ubetinget heteroskedasticitet er forudsigelig og vedrører oftest variabler, der er cykliske af natur. Dette kan omfatte højere detailsalg, der er rapporteret i den traditionelle periode med shopping på ferie eller stigningen i opkald til reparation af klimaanlæg i de varmere måneder.
Ændringer inden for variansen kan knyttes direkte til forekomsten af bestemte begivenheder eller forudsigelige markører, hvis skiftene ikke traditionelt er sæsonbestemte. Dette kan relateres til en stigning i salget af smartphones med frigivelsen af en ny model, da aktiviteten er cyklisk baseret på begivenheden, men ikke nødvendigvis bestemt af sæsonen.
Betinget
Betinget heteroskedasticitet er ikke forudsigelig af natur. Der er ikke noget tegn, der får analytikere til at tro, at data vil blive mere eller mindre spredt på ethvert tidspunkt. Ofte betragtes finansielle produkter som underlagt betinget heteroskedasticitet, da ikke alle ændringer kan tilskrives specifikke begivenheder eller sæsonændringer.
Særlige overvejelser
Heteroskedasticitet og finansiel modellering
Heteroskedasticitet er et vigtigt koncept i regressionsmodellering, og i investeringsverdenen bruges regressionsmodeller til at forklare effektiviteten af værdipapirer og investeringsporteføljer. Den mest kendte af disse er CAPM (Capital Asset Pricing Model), som forklarer en bestands præstation i forhold til dens volatilitet i forhold til markedet som helhed. Udvidelser af denne model har tilføjet andre prediktorvariabler som størrelse, momentum, kvalitet og stil (værdi kontra vækst).
Disse prediktorvariabler er tilføjet, fordi de forklarer eller redegør for varians i den afhængige variabel. Porteføljeydelsen forklares af CAPM. F.eks. Var udviklere af CAPM-modellen opmærksomme på, at deres model ikke kunne forklare en interessant anomali: lagre af høj kvalitet, som var mindre ustabile end lagre af lav kvalitet, havde en tendens til at fungere bedre, end CAPM-modellen forudsagde. CAPM siger, at aktier med højere risiko bør overgå lagerbeholdninger med lavere risiko. Med andre ord bør lagre med høj volatilitet slå lagre med lavere volatilitet. Men lagre af høj kvalitet, som er mindre ustabile, havde en tendens til at fungere bedre end forudsagt af CAPM.
Senere udvidede andre forskere CAPM-modellen (som allerede var blevet udvidet til også at omfatte andre prediktorvariabler som størrelse, stil og momentum) til også at omfatte kvalitet som en yderligere prediktorvariabel, også kendt som en "faktor." Med denne faktor nu inkluderet i modellen blev der taget højde for præstationsanomalien for lagre med lav volatilitet. Disse modeller, kendt som multifaktormodeller, danner grundlaget for faktorinvestering og smart beta.
Sammenlign Navn på udbydere af investeringskonti Beskrivelse Annoncørens viden × De tilbud, der vises i denne tabel, er fra partnerskaber, hvorfra Investopedia modtager kompensation.