Heteroskedasticitat
En estadístiques, l’heteroskedasticitat (o heteroscedasticitat) ocorre quan els errors estàndard d’una variable, controlats durant un temps específic, són no constants. Amb heteroskedasticitat, el signe històric després de la inspecció visual dels errors residuals és que tendiran a desaparèixer amb el pas del temps, tal com es mostra a la imatge següent.
L’heteroskedasticitat sovint sorgeix de dues formes: condicional i incondicional. L’heteroskedasticitat condicional identifica volatilitat no constant quan no es poden identificar períodes futurs d’alta i baixa volatilitat. L’heteroskedasticitat incondicional s’utilitza quan es poden identificar períodes futurs d’alta i baixa volatilitat.
Compres per emportar
- En estadístiques, l’heteroskedasticitat (o heteroscedasticitat) ocorre quan els errors estàndard d’una variable, controlats durant un temps específic, són no constants.
- Amb heteroskedasticitat, el signe històric després de la inspecció visual dels errors residuals és que tendiran a desaparèixer amb el pas del temps, tal com es mostra a la imatge següent.
- L’heteroskedasticitat és una violació dels supòsits de modelització de regressió lineal, de manera que pot afectar la validesa de l’anàlisi economètrica o de models financers com ara CAPM.
Si bé l’heteroskedasticitat no causa biaix en les estimacions dels coeficients, les fa menys precises; una menor precisió augmenta la probabilitat que les estimacions del coeficient estiguin més allunyades del valor de població correcte.
Els fonaments de l’heteroskedasticitat
En finances, l’heteroskedasticitat condicional es veu sovint en els preus de les accions i les obligacions. El nivell de volatilitat d'aquests recursos propis no es pot predir durant cap període. L’heteroskedasticitat incondicional es pot utilitzar quan es discuteixen variables que tenen una variabilitat estacional identificable, com ara l’ús d’electricitat.
Pel que fa a les estadístiques, l’heteroskedasticitat (també heteroscedasticitat ortogràfica ) es refereix a la variància d’error o a la dependència de la dispersió dins d’un mínim d’una variable independent dins d’una mostra particular. Aquestes variacions es poden utilitzar per calcular el marge d’error entre conjunts de dades, com ara els resultats esperats i els resultats reals, ja que proporciona una mesura de la desviació dels punts de dades del valor mitjà.
Perquè un conjunt de dades es consideri rellevant, la majoria dels punts de dades han d’estar dins d’un nombre determinat de desviacions estàndard de la mitjana tal com es descriu pel teorema de Chebyshev, també conegut com a desigualtat de Chebyshev. Això proporciona directrius sobre la probabilitat que una variable aleatòria difereixi de la mitjana.
Segons la quantitat de desviacions estàndard especificades, una variable aleatòria té una probabilitat particular d’existir dins d’aquests punts. Per exemple, pot requerir-se que un rang de dues desviacions estàndard continguin almenys el 75% dels punts de dades que es considerin vàlids. Sovint s’atribueixen a problemes relacionats amb la qualitat de les dades una causa comuna de variacions fora del requeriment mínim.
El contrari de l’heteroskedàstica és l’homoskedàstica. L’homoskedasticitat es refereix a una condició en què la variància del terme residual és constant o gairebé aproximadament. L’homoskedasticitat és una suposició del model de regressió lineal. L'homoskedasticitat suggereix que el model de regressió pot estar ben definit, és a dir, que proporciona una bona explicació del rendiment de la variable dependent.
Els tipus Heteroskedasticitat
Incondicional
L’heteroskedasticitat incondicional és previsible i es relaciona sovint amb variables ciclables per naturalesa. Això pot incloure unes vendes al detall més elevades registrades durant el període de compres tradicionals de vacances o l’augment de les trucades de reparació d’aire condicionat durant mesos més càlids.
Els canvis dins de la variància es poden relacionar directament amb l’ocurrència d’esdeveniments concrets o marcadors predictius si els canvis no són tradicionalment estacionals. Això es pot relacionar amb un augment de les vendes de telèfons intel·ligents amb la publicació d’un nou model ja que l’activitat és cíclica en funció de l’esdeveniment, però no necessàriament determinada per la temporada.
Condicional
L’heteroskedasticitat condicional no és previsible per naturalesa. No hi ha cap signe que indiqui que els analistes creuen que les dades es veuran més o menys disperses en qualsevol moment. Sovint, els productes financers es consideren objecte d’heteroskedasticitat condicional, ja que no tots els canvis es poden atribuir a esdeveniments específics o canvis estacionals.
Consideracions especials
Heteroskedasticitat i modelatge financer
L’heteroskedasticitat és un concepte important en el model de regressió i, en el món de les inversions, s’utilitzen models de regressió per explicar el rendiment dels títols i les carteres d’inversió. El més conegut és el Model de preus de capital patrimonial (CAPM), que explica el rendiment d'una acció en termes de la seva volatilitat respecte al mercat en general. Les extensions d’aquest model han afegit altres variables de predicció com ara la mida, l’impuls, la qualitat i l’estil (valor versus creixement).
S'han afegit aquestes variables predictores perquè expliquen o expliquen la variació de la variable dependent. CAPM explica el rendiment del portafoli. Per exemple, els desenvolupadors del model CAPM eren conscients que el seu model no va explicar una anomalia interessant: les existències de qualitat, que eren menys volàtils que les existències de baixa qualitat, tendien a funcionar millor del que el model CAPM preveia. CAPM diu que les existències de més risc han de superar les existències de menor risc. En altres paraules, les existències d’alta volatilitat haurien de superar les estructures de baixa volatilitat. No obstant això, les existències d’alta qualitat, menys volàtils, tendien a funcionar millor del que preveia la CAPM.
Més tard, altres investigadors van ampliar el model CAPM (que ja s’havia estès per incloure altres variables de predicció com ara la mida, l’estil i l’impuls) per incloure la qualitat com a variable de predicció addicional, també coneguda com a "factor". Amb aquest factor ara inclòs en el model, es va comptabilitzar l’anomalia del rendiment de les existències de baixa volatilitat. Aquests models, coneguts com a models multi-factor, constitueixen la base de la inversió de factors i la beta intel·ligent.
Comparació de comptes d'inversió Nom del proveïdor Descripció del anunciant × Les ofertes que apareixen a aquesta taula provenen de col·laboracions per les quals Investopedia rep una compensació.