Homoschedastico (ook gespeld als “homoschedastisch”) verwijst naar een toestand waarin de variantie van de resterende term, of fout , in een regressiemodel constant is. Dat wil zeggen, de foutterm varieert niet veel omdat de waarde van de predictorvariabele varieert. Het gebrek aan homoschematiciteit kan er echter op wijzen dat het regressiemodel mogelijk aanvullende voorspellende variabelen moet bevatten om de prestaties van de afhankelijke variabele te verklaren.
KEY POINTS
Homoschematiciteit treedt op wanneer de variantie van de foutterm in een regressiemodel constant is. Als de variantie van - de foutterm homoschedastisch is, is het model goed gedefinieerd. Als er te veel variantie is, is het patroon mogelijk niet goed gedefinieerd. Het toevoegen van aanvullende voorspellende variabelen kan helpen de prestaties van de afhankelijke variabele te verklaren.
-
- Heterodexterasticiteit treedt daarentegen op wanneer de variantie van de foutterm niet constant is.
Hoe homocard werkt
Homoscesdasticiteit is een voorwaarde voor lineaire regressiemodellering. Als de variantie van fouten rond de regressielijn sterk varieert, kan het regressiemodel slecht worden gedefinieerd. Het tegenovergestelde van homoscesasticiteit is heteroschedasticiteit, net zoals het tegenovergestelde van “homogeen” “heterogeen” is. Heteroschedasticiteit (ook gespeld als “heteroschedasticiteit”) verwijst naar een toestand waarin de variantie van de foutterm in een regressievergelijking niet constant is.
Wanneer wordt overwogen dat variantie het verschil is dat wordt gemeten tussen het verwachte resultaat en de werkelijke uitkomst van een bepaalde situatie, kan het bepalen van homoschematiciteit helpen bepalen welke factoren moeten worden gecorrigeerd voor nauwkeurigheid.
speciale overwegingen
Een eenvoudig regressiemodel, of vergelijking, bestaat uit vier termen. Aan de linkerkant bevindt zich de afhankelijke variabele. Deze vertegenwoordigt het fenomeen dat het model probeert te “verklaren”. Aan de rechterkant bevindt zich een constante, een voorspellende variabele en een rest- of foutterm. De foutterm toont de hoeveelheid variabiliteit in de afhankelijke variabele die niet wordt verklaard door de predictorvariabele.
Voorbeeld van homoschematisch
Stel dat u de testscores van studenten wilt uitleggen aan de hand van de hoeveelheid tijd die elke student heeft besteed aan studeren.
In dit geval zouden de testscores de afhankelijke variabele zijn en de tijd besteed aan het bestuderen de voorspellende variabele.
De foutterm zou de hoeveelheid variantie in testscores laten zien die niet werd verklaard door de hoeveelheid studietijd. Als die variantie uniform of homoschedastisch is, dan zou dit suggereren dat het model een adequate verklaring zou kunnen zijn voor testprestaties, en het zou kunnen verklaren in termen van tijd besteed aan studeren.
Maar de variantie kan heteroschedastisch zijn. Een grafiek van de fouttermgegevens kan aantonen dat een grote hoeveelheid studietijd zeer nauw overeenkwam met hoge testscores, maar dat lage studietijdtestscores sterk varieerden en ook enkele zeer hoge scores bevatten. De variantie van scores zou dus niet goed worden verklaard door simpelweg een voorspellende variabele: In dit geval is er waarschijnlijk een andere factor aan het werk en moet u het model misschien verbeteren om het te identificeren of voor hen.
Verder onderzoek kan uitwijzen dat sommige studenten de testantwoorden van tevoren hadden gezien of dat ze eerder een vergelijkbare test hadden gedaan en daarom niet hoefden te studeren voor deze specifieke test.
Om het regressiemodel te verbeteren, voegt de onderzoeker vervolgens nog een verklarende variabele toe die aangeeft of een student de antwoorden vóór de test had gezien. Het regressiemodel zou dus twee verklarende variabelen hebben: studietijd en of de student een voorkennis had van de antwoorden. Met deze twee variabelen zou een groter deel van de variantie van de testscores zijn verklaard, en de variantie van de foutterm zou dan homoschedastisch kunnen zijn, wat suggereert dat het model goed gedefinieerd was.
