Homoscedasticity er et kjennetegn ved en lineær regresjonsmodell som antyder at variansen til feilene er konstant over tid.
Dette begrepet, som er det motsatte av heteroscedasticitet, brukes til å nevne egenskapen til noen lineære regresjonsmodeller der estimeringsfeilene er konstante gjennom observasjonene. En konstant varians gjør at vi kan ha mer pålitelige modeller. Videre, hvis en avvik, bortsett fra å være konstant, også er mindre, vil det gi en mer pålitelig modellforutsigelse.
Ordet homoscedasticity kan brytes ned i to deler, homo (like) og cedasticity (dispersjon). På en slik måte at hvis vi slutter oss til disse to ordene tilpasset gresk, ville vi oppnå noe som samme spredning eller lik spredning.
RegresjonsanalyseHomoscedasticity i en lineær regresjonsmodell
Homoscedasticity er en ønskelig egenskap for feil i en enkel regresjonsmodell. Homoscedasticity, som vi har sagt før, lar oss lage mer pålitelige modeller. Og at påliteligheten gjenspeiles i det faktum at det er mye lettere for økonometrikere å jobbe med modellen.
Modellen presentert nedenfor viser homoscedasticitet. Det er ikke det perfekte eksemplet, men det er ekte, som vi bedre kan forstå konseptet med.
I forrige bilde kan vi se en graf som representerer prisen på IBEX35. Sitatet refererer til en periode valgt tilfeldig fra 89 perioder. Den røde linjen representerer IBEX35-estimatet. Indikatoren svinger mer eller mindre homogent ned og opp på den linjen.
For å se om modellen vår har egenskapen til homecedasticity, det vil si for å se om variansen til feilene er konstant, vil vi beregne feilene og plotte dem på en graf.
Vi kan ikke si med sikkerhet at modellen har egenskapen homoscedasticity. For dette bør vi utføre de tilsvarende testene. Imidlertid indikerer grafens form at den er det. Et perfekt eksempel på en homoscedastisk prosess utført med vilje med et dataprogram gjenspeiles i følgende grafikk.
Bildet av hva som ville være ideelt og vårt eksempel på IBEX35 er forskjellige. Dermed må vi forstå hvilke virkelige fenomener som gjør det vanskelig å oppfylle denne antagelsen.
Som angitt i artikkelen om heteroscedasticity, er det visse konsekvenser av at en modell ikke oppfyller hypotesen om homoscedasticity. Husk at hvis en modell ikke oppfyller antagelsen om homoscedasticity, så har feilene dens heteroscedasticity og følgende skjer:
- Eksistens av feil i beregningene av matriser som tilsvarer estimatorene.
- Effektivitet og pålitelighet av modellen går tapt.
Forskjeller mellom homoscedasticity og heteroscedasticity
Heteroscedasticitet skiller seg fra homoscedasticity ved at i sistnevnte er variansen av feilene til de forklarende variablene konstant gjennom alle observasjonene. I motsetning til heteroscedasticitet, kan verdien i en variabel i homekedastiske statistiske modeller forutsi en annen (hvis modellen er objektiv), og derfor er feil vanlige og konstante gjennom hele studien.
Hovedsituasjonene der heteroscedastiske forstyrrelser oppstår er analyser med tverrsnittsdata der de valgte elementene, det være seg selskaper, enkeltpersoner eller økonomiske elementer, ikke har en homogen oppførsel blant dem.
