Homoscedasticitet är ett kännetecken för en linjär regressionsmodell som innebär att felvariansen är konstant över tiden.
Denna term, som är motsatsen till heteroscedasticitet, används för att namnge egenskapen hos vissa linjära regressionsmodeller där uppskattningsfelen är konstanta under observationerna. En konstant varians gör att vi kan ha mer tillförlitliga modeller. Dessutom, om en varians, förutom att vara konstant, också är mindre, kommer det att resultera i en mer tillförlitlig modellförutsägelse.
Ordet homoscedasticitet kan delas upp i två delar, homo (lika) och cedasticitet (dispersion). På ett sådant sätt att om vi sammanfogar dessa två ord anpassade från grekiska, skulle vi få något som liknar samma dispersion eller lika dispersion.
RegressionsanalysHomoscedasticitet i en linjär regressionsmodell
Homoscedasticitet är en önskvärd egenskap hos fel i en enkel regressionsmodell. Homoscedasticity, som vi har sagt tidigare, gör att vi kan göra mer tillförlitliga modeller. Och att tillförlitligheten återspeglas i det faktum att det är mycket lättare för ekonometriker att arbeta med modellen.
Modellen som presenteras nedan visar homoscedasticitet. Det är inte det perfekta exemplet, men det är verkligt, med vilket vi bättre kan förstå konceptet.
I föregående bild kan vi se ett diagram som representerar priset på IBEX35. Offertet avser en period slumpmässigt vald från 89 perioder. Den röda linjen representerar IBEX35-uppskattningen. Indikatorn fluktuerar ner eller upp på den linjen mer eller mindre homogent.
För att se om vår modell har egenskapen homecedasticitet, det vill säga för att se om variansen för dess fel är konstant, beräknar vi felen och plottar dem i en graf.
Vi kan inte säga med säkerhet att modellen har egenskapen homoscedasticitet. För detta bör vi utföra motsvarande tester. Grafens form indikerar dock att den är. Ett perfekt exempel på en homoscedastisk process som görs avsiktligt med ett datorprogram återspeglas i följande grafik.
Bilden på vad som skulle vara perfekt och vårt exempel på IBEX35 skiljer sig åt. Således måste vi förstå vilka verkliga fenomen som gör det svårt att uppfylla detta antagande.
Som anges i artikeln om heteroscedasticitet, finns det vissa konsekvenser av att en modell inte uppfyller hypotesen om homoscedasticitet. Minns att om en modell inte uppfyller antagandet om homoscedasticitet, har dess fel heteroscedasticitet och följande inträffar:
- Förekomsten av fel i beräkningarna av matriserna som motsvarar beräknarna.
- Modellens effektivitet och tillförlitlighet går förlorade.
Skillnader mellan homoscedasticitet och heteroscedasticity
Heteroscedasticitet skiljer sig från homoscedasticity genom att i den senare är variansen av felen i de förklarande variablerna konstant under alla observationer. Till skillnad från heteroscedasticitet, i homecedastic statistiska modeller kan värdet på en variabel förutsäga en annan (om modellen är opartisk) och därför är fel vanliga och konstanta under hela studien.
De viktigaste situationerna där heteroscedastiska störningar uppträder är analyser med tvärsnittsdata där de valda elementen, vare sig de är företag, individer eller ekonomiska element, inte har ett homogent beteende bland dem.
