Същността на хетероскедастицитет

Хетероскедастицитет (английски heterossedasticity.) - термин, използван в приложна статистика (най-често - vekonometrike), което показва, хетерогенността на наблюдения, което се проявява в неравна (нестабилна) дисперсията на случайната грешка на регресия (иконометричен) модел. Хетероскедастицитет protivopolozhnagomoskedastichnosti, което означава, хомогенността на наблюдения, т.е. постоянството на дисперсията на произволен модел грешка.

Наличието на хетероскедастицитет от случайни грешки води до неефективност резултати, получени с най-малките квадрати pomoschyumetoda. Освен това, в този случай тя е несъстоятелна извънматочна и класическа оценка на параметрите на ковариация матрица OLS оценки. Затова статистически заключения за качеството на оценките могат да бъдат недостатъчни. В тази връзка, тестване за хетероскедастицитет модели е една от процедурите, необходими за изграждането на регресионни модели.

Към първо приближение присъствието на хетероскедастицитет може да се види в графиките на регресия остатъците (или квадрати) за някои променливи на зависимата променлива оценява или броя на наблюдение. В тези графики, за разсейване на точки може да варира в зависимост от стойностите на тези променливи.

За по-строг тест се прилага, например, статистически тестове Бяла Goldfeld - Kuandta, Broysha - Езически, Парк, Glaser, копиеносец.

модел за оценка с хетероскедастичност

Тъй като модел на параметрите на OLS остават безпристрастен богат дори хетероскедастичност, след достатъчен брой наблюдения възможни OLS кандидатстване. Въпреки това, за по-точна и валидни статистически изводи нужда ispolzovatstandartnye грешки във формата на Бяла.

Методи за намаляване хетероскедастичност

Използвайки метода на най-малките квадрати претеглят (WLS, WLS). При този метод, всяко наблюдение се претегля обратно пропорционална на предназначени стандартното отклонение на случайната грешка в това наблюдение. Този подход ни позволява да направим случайни грешки homoskedasticity модел. По-специално, ако се приеме, че стандартното отклонение на грешката е пропорционална на променлива Z, тогава данните са разделени на променливата, включително константа.

Смяна на оригиналните данни на техни производни, например, логаритъм или относителна промяна на друга нелинейна функция. Този подход се използва често в случай на грешка увеличение противоречие с увеличаване на стойностите на независимата променлива и води до стабилизиране на дисперсията в по-широк диапазон на входните данни.

Определението на модел "умения", в които дисперсията на грешка е относително стабилен и използването на комбинации от модели. По този начин, всеки модел работи само в техните области на компетентност, както и вариацията на грешката не надвишава предварително определена гранична стойност. Този подход е често срещана в областта на разпознаване на образи, които често използват сложни модели нелинейни и евристични методи.

състояние втори Гаус-Марков е, че дисперсията на грешка е постоянно за всички наблюдения:

D (UI) = s2 = конст, J = 1. п.

Състоянието на дисперсия на независимост от броя на наблюдение се нарича homoscedasticity (homoscedasticity). Дело дисперсия променливост за различни наблюдения, наречена хетероскедастичност (хетероскедастицитет). Фигура 5) показва пример на типичен образ за случая на homoscedasticity на грешки в Фиг. 5 б) - Пример хетероскедастицитет грешки данни.