Homoskedastic
Homoskedastic (også stavet "homoscedastic") henviser til en tilstand, hvor variationen af den resterende eller fejlbetegnelse i en regressionsmodel er konstant. Det vil sige, at fejlbetegnelsen ikke varierer meget, da værdien af forudsigelsesvariablen ændres. Homoskedasticitet er en antagelse om lineær regressionsmodellering. Hvis variansen af fejlene omkring regressionslinjen varierer meget, kan regressionsmodellen defineres dårligt. Manglen på homoskedasticitet kan antyde, at regressionsmodellen muligvis skal indeholde yderligere prediktorvariabler for at forklare ydelsen af den afhængige variabel.
Det modsatte af homoskedasticitet er heteroskedasticitet, ligesom det modsatte af "homogen" er "heterogen". Heteroskedasticitet henviser til en tilstand, hvor variationen af fejlbetegnelsen i en regressionsligning ikke er konstant.
BREAKING NED Homoskedastic
En simpel regressionsmodel eller ligning består af fire udtryk. På venstre side er den afhængige variabel. Det repræsenterer det fænomen modellen søger at "forklare." På højre side er en konstant, en forudsigelsesvariabel og en resterende eller fejl. Fejlbegrebet viser mængden af variabilitet i den afhængige variabel, som ikke er forklaret af prediktorvariablen.
Eksempel på homoskedasticitet
Antag f.eks., At du ville forklare de studerendes testresultater ved hjælp af den tid, hver studerende brugte på at studere. I dette tilfælde ville testresultaterne være den afhængige variabel, og den brugte tid på studiet ville være prediktorvariablen. Fejlbegrebet viser mængden af varians i testresultaterne, der ikke blev forklaret med mængden af studietid. Hvis denne afvigelse er ensartet eller homoskedastisk, ville det antyde, at modellen kan være en passende forklaring på testpræstation - forklare den med hensyn til tidsforbrug til studiet.
Men variansen kan være heteroskedastisk. Et diagram over fejlagtiddataene kan vise en stor mængde studietid, der svarede meget tæt til høje testresultater, men at testresultater med lav studietid varierede vidt og inkluderede endda nogle meget høje score. Så variationen af scoringer ville ikke være godt forklaret blot ved en prediktorvariabel - mængden af studietid. I dette tilfælde er en anden faktor sandsynligvis på arbejde, og modellen kan muligvis forbedres. Yderligere undersøgelse kan afsløre, at nogle studerende havde set svarene på testen i forvejen og derfor ikke havde brug for at studere.
For at forbedre regressionsmodellen vil forskeren derfor tilføje en anden forklaringsvariabel, der angiver, om en studerende havde set svarene forud for testen. Regressionsmodellen ville derefter have to forklarende variabler - tidsstudier og om den studerende havde forudgående kendskab til svarene. Med disse to variabler ville mere af variansen af testresultaterne blive forklaret, og variansen af fejlbetegnelsen kan derefter være homoskedastisk, hvilket antyder, at modellen var veldefineret.
Sammenlign Navn på udbydere af investeringskonti Beskrivelse Annoncørens viden × De tilbud, der vises i denne tabel, er fra partnerskaber, hvorfra Investopedia modtager kompensation.