Homoskedàstica
Homoskedastic (també anomenat "homoscedastic") es refereix a una condició en què la variància del terme residual, o error, en un model de regressió és constant. És a dir, el terme d’error no varia gaire a mesura que canvia el valor de la variable de predicció. L’homoskedasticitat és una suposició del model de regressió lineal. Si la variació dels errors al voltant de la línia de regressió varia molt, el model de regressió pot estar mal definit. La manca d’homoskedasticitat pot suggerir que el model de regressió pot necessitar incloure variables predictores addicionals per explicar el rendiment de la variable depenent.
El contrari de l’homoskedasticitat és l’heteroskedasticitat igual que el contrari de “homogeni” és “heterogeni”. L’heteroskedasticitat fa referència a una condició en què la variància del terme d’error en una equació de regressió no és constant.
ESCOLLIT Homoskedastic
Un model de regressió simple, o equació, consta de quatre termes. Al costat esquerre hi ha la variable dependent. Representa el fenomen que el model busca "explicar". Al costat dret hi ha una constant, una variable de predicció i un terme residual, o d’error, . El terme d'error mostra la quantitat de variabilitat en la variable depenent que no és explicada per la variable de predicció.
Exemple d’homoskedasticitat
Per exemple, suposem que heu volgut explicar les puntuacions de les proves dels estudiants mitjançant la quantitat de temps que cada estudiant dedicava a estudiar. En aquest cas, les puntuacions de prova serien la variable dependent i el temps dedicat a l'estudi seria la variable de predicció. El terme d’error mostrarà la quantitat de variància en les puntuacions de prova que no s’explicava per la quantitat de temps que s’estudia. Si aquesta variància és uniforme o homoskedàstica, això suggereix que el model pot ser una explicació adequada per al rendiment de la prova: explicar-la en termes de temps dedicat a l'estudi.
Però la variància pot ser heteroskedàstica. Una parcel·la de les dades del terme d’error pot mostrar que una gran quantitat de temps d’estudi corresponia molt estretament amb puntuacions altes, però que les puntuacions de les proves de temps d’estudi baixes variaven àmpliament i fins i tot van incloure puntuacions molt altes. Així, la diferència de puntuacions no s’explica bé amb una única variable de predicció: la quantitat de temps que s’estudia. En aquest cas, és probable que algun altre factor funcioni i és possible que es necessiti millorar el model. Una investigació posterior pot revelar que alguns estudiants havien vist les respostes a la prova amb anterioritat i que, per tant, no havien d'estudiar.
Per millorar el model de regressió, l'investigador afegiria, per tant, una altra variable explicativa que indiqui si un alumne havia vist les respostes abans de la prova. El model de regressió tindria llavors dues variables explicatives: estudiar el temps i si l’alumne tenia coneixement previ de les respostes. Amb aquestes dues variables, s’explicaria més de la variància de les puntuacions de prova i es podria llavors homoskedastic la variància del terme d’error, cosa que suggereix que el model estava ben definit.
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.