Homoskedastic Nedir?
Homoskedastic (ayrıca "homoscedastic" olarak da yazılır), bir regresyon modelinde tortunun veya hata teriminin varyansının sabit olduğu bir koşulu ifade eder. Yani, tahmin terimi değişkeninin değeri değiştikçe hata terimi çok fazla değişmez. Bununla birlikte, homoskedastisite eksikliği, regresyon modelinin bağımlı değişkenin performansını açıklamak için ek öngörücü değişkenler içermesi gerekebileceğini düşündürebilir.
Önemli Çıkarımlar
- Homoskedastisite, bir regresyon modelinde hata teriminin varyansı sabit olduğunda ortaya çıkar. Hata teriminin varyansı homoskedastik ise model iyi tanımlanmıştır. Çok fazla varyans varsa, model iyi tanımlanmamış olabilir. Ek öngörücü değişkenlerin eklenmesi, bağımlı değişkenin performansını açıklamaya yardımcı olabilir.Otomatik olarak, hata teriminin varyansı sabit olmadığında heteroskedastisite oluşur.
Homoskedastic Nasıl Çalışır
Homoskedastisite, doğrusal regresyon modellemesinin bir varsayımıdır. Regresyon çizgisi etrafındaki hataların varyansı çok değişiyorsa, regresyon modeli iyi tanımlanmamış olabilir. Homoskedastisitenin zıttı, "homojen" in zıttı "heterojen" olduğu gibi heteroskedastisitedir. Heteroskedastisite (ayrıca “heteroscedastisite” olarak da yazılır), regresyon denklemindeki hata teriminin varyansının sabit olmadığı bir koşulu ifade eder.
Varyansın, tahmin edilen sonuç ile belirli bir durumun gerçek sonucu arasındaki ölçülen fark olduğunu düşünürken, homoskedastisitenin belirlenmesi, hangi faktörlerin doğruluk için ayarlanması gerektiğini belirlemeye yardımcı olabilir.
Özel Hususlar
Basit bir regresyon modeli veya denklemi dört terimden oluşur. Sol tarafta bağımlı değişken var. Modelin "açıklamak" istediği fenomeni temsil eder. Sağ tarafta bir sabit, bir öngörücü değişken ve bir artık veya hata terimi vardır. Hata terimi, bağımlı değişkende öngörücü değişken tarafından açıklanmayan değişkenlik miktarını gösterir.
Homoskedastic Örneği
Örneğin, her bir öğrencinin okumak için harcadığı süreyi kullanarak öğrenci test puanlarını açıklamak istediğinizi varsayalım. Bu durumda, test puanları bağımlı değişken olacaktır ve çalışmak için harcanan zaman yordayıcı değişkendir.
Hata terimi, çalışılan zaman miktarı ile açıklanmayan test puanlarındaki varyans miktarını gösterecektir. Bu varyans tekdüze veya homoskedastik ise, modelin test performansı için yeterli bir açıklama olabileceğini düşündürür - incelemek için harcanan zaman açısından açıklar.
Ancak varyans heteroskedastik olabilir. Hata terim verilerinin bir grafiği, yüksek çalışma puanları ile çok yakın çalışma süresinin çok fazla karşılık geldiğini gösterebilir, ancak düşük çalışma süresi test puanları çok değişkendi ve hatta bazı çok yüksek puanlar içeriyordu. Bu nedenle, puanların varyansı, basitçe bir öngörücü değişken tarafından iyi açıklanmayacaktır - çalışma süresi. Bu durumda, muhtemelen başka bir faktör iş başındadır ve modelin tanımlanması için modelin geliştirilmesi gerekebilir. Daha fazla araştırma, bazı öğrencilerin teste verilen cevapları önceden gördüklerini veya daha önce benzer bir test aldıklarını ve bu nedenle bu özel test için çalışmaya ihtiyaç duymadıklarını ortaya çıkarabilir.
Regresyon modelini geliştirmek için, araştırmacı, bu nedenle, bir öğrencinin testten önce cevapları görüp görmediğini gösteren başka bir açıklayıcı değişken ekleyecektir. Bu durumda regresyon modelinin iki açıklayıcı değişkeni olacaktır - zaman çalışması ve öğrencinin cevaplar hakkında önceden bilgisi olup olmadığı Bu iki değişkenle, test puanlarının daha fazla varyansı açıklanacak ve hata teriminin varyansı homoskedastik olabilir ve bu da modelin iyi tanımlandığını gösterir.