Was ist Heteroskedasticity?

Heteroskedasticity ist ein statistischer Ausdruck, der verwendet, um das Verhalten einer sample’s Abweichung und der Standardabweichung zu beschreiben. Wenn die Qualität anwesend ist, dann sind die Abweichung und die Standardabweichung der Variable nicht über dem gesamten Diagramm der Beispieldaten konstant. Wenn diese Masse konstant sind, dann sollen die Daten homoskedastic.

Die Abweichung einer Variable ist ein Maß von, wie weit die beobachteten Werte vom Mittel zerstreut, oder Durchschnitt, Wert. Die Standardabweichung ist die Quadratwurzel der Abweichung, und sie ist häufig benutzt, Verteilungen zu beschreiben. Entsprechend dem Verhältnis, das durch Chebyshev’stheorem beschrieben, muss ein bestimmter Prozentsatz von Daten innerhalb jeder Standardabweichung von dem Mittelwert fallen. Z.B. mindestens müssen 75 Prozent der Datenpunkte in einer Probe innerhalb zwei Standardabweichungen von dem Mittel sein. So gibt die Standardabweichung einer Probe raue Informationen über jede Position des Daten point’s Verwandten.

Es gibt zwei Vielzahl von heteroskedasticity: bedingt und unbedingt. Wenn Daten bedingt heteroskedastic sind, können Analytiker nicht voraussagen, wann Daten zerstreut sind und wann sie weniger zerstreut. Dieses ist das Argument für die Preise der Finanzprodukte, einschließlich Aktien.

Unbedingtes heteroskedasticity ist vorhersagbar. Variablen, die zyklische von Natur aus allgemein Ausstellung dieses Eigentum sind. Variablen, deren Abweichung mit ihrem Niveau ändert, sind auch unbedingt hetroskedastic. Z.B. können Sie voraussagen, dass, wenn Sie etwas in Ihrer Hand halten können, Sie sein Gewicht ziemlich genau abmessen können; Sie konnten höchstens einige lbs oder Kilogramm sein weg. Wenn Sie gebeten, das Gewicht eines Gebäudes zu schätzen jedoch konnten Sie durch Tausenden lbs oder Kilogramm falsch sein - die Abweichung Ihrer Vermutung erhöht vorhersagbar mit dem Gewicht des Gegenstandes.

Ob heteroskedasticity anwesend ist, hat mit Nachdruck auf die korrekte Deutung der statistischen Analyse der Daten. Die Qualität beeinflußt nicht Rückbildung; dies heißt, dass Methoden der Platzierung der best-fit Diagramme gleichmäßig gut mit den heteroskedastic und homoskedastic Daten arbeiten. Diese Diagramme verursacht, indem man die Koeffizienten von Daten findet, die messen, wie viel eine bestimmte Variable ein Resultat beeinflußt. Heteroskedasticity verdreht die Werte der coefficients’ Abweichung, die die Modelle zurückbringen.

Es gibt eine Vielzahl der mathematischen Tests, die feststellen können, ob es das heteroskedasticity gibt, das auf einer Probe einer Variable vorhanden ist. Viele dieser Tests sind in der Statistikanalysen-Software vorhanden. Ein Beobachter kann einige Fälle vom heteroskedasticity auch ermitteln, indem er ein Diagramm der Probe betrachtet. Nach Bereichen des Diagramms suchen, denen mehr oder weniger zerstreut; zu unterscheiden ist wichtig, jedoch zwischen zutreffenden Schwankungen der Menge der Streuung und den Blöcken, die in den Verteilungen erwartet, die ein Element des Zufallscharakters haben.