Ano ang Heteroskedasticity?
Sa mga istatistika, ang heteroskedasticity (o heteroscedasticity) ay nangyayari kapag ang karaniwang mga error ng isang variable, sinusubaybayan sa isang tiyak na tagal ng oras, ay hindi pare-pareho. Sa heteroskedasticity, ang tanda ng pag-sign sa visual na inspeksyon ng mga natitirang mga error ay na sila ay may posibilidad na mag-fan out sa paglipas ng panahon, tulad ng inilalarawan sa larawan sa ibaba.
Ang Heteroskedasticity ay madalas na lumitaw sa dalawang anyo: kondisyon at kondisyon. Kinikilala ang kondisyon na heteroskedasticity na hindi magkakasunod na pagkasumpungin kapag ang mga hinaharap na tagal ng mataas at mababang pagkasumpungin ay hindi matukoy. Ang hindi kondisyon na heteroskedasticity ay ginagamit kapag ang mga futures na panahon ng mataas at mababang pagkasumpungin ay maaaring matukoy.
Larawan ni Julie Bang © Investopedia 2019
Mga Key Takeaways
- Sa istatistika, ang heteroskedasticity (o heteroscedasticity) ay nangyayari kapag ang karaniwang mga error ng isang variable, sinusubaybayan sa isang tiyak na tagal ng oras, ay hindi pare-pareho.With heteroskedasticity, ang palatandaan na pag-sign sa visual inspeksyon ng mga natitirang mga error ay sila ay may posibilidad upang ma-fan out sa paglipas ng panahon, tulad ng inilalarawan sa imahe sa ibaba.Heteroskedasticity ay isang paglabag sa mga pagpapalagay para sa pagmomolde ng linear regression, at sa gayon maaari itong makaapekto sa pagiging epektibo ng pagsusuri ng ekonometric o mga modelo ng pananalapi tulad ng CAPM.
Habang ang heteroskedasticity ay hindi nagiging sanhi ng bias sa koepisyenteng mga pagtatantya, ginagawa nitong mas gaanong tumpak; ang mas mababang katumpakan ay nagdaragdag ng posibilidad na ang mga koepisyenteng pagtatantya ay higit pa mula sa wastong halaga ng populasyon.
Ang Mga Pangunahing Kaalaman ng Heteroskedasticity
Sa pananalapi, ang kondisyong heteroskedasticity ay madalas na nakikita sa mga presyo ng mga stock at bono. Ang antas ng pagkasumpungin ng mga pantay na ito ay hindi mahuhulaan sa anumang panahon. Maaaring gamitin ang unconditional heteroskedasticity kapag pinag-uusapan ang mga variable na may pagkakakilanlan na pagkakaiba-iba ng pana-panahon, tulad ng paggamit ng kuryente.
Tulad ng nauugnay sa mga istatistika, ang heteroskedasticity (din ang spelling heteroscedasticity) ay tumutukoy sa pagkakaiba-iba ng error, o pag-asa sa pagkalat, sa loob ng isang minimum na isang independyenteng variable sa loob ng isang partikular na sample. Ang mga pagkakaiba-iba na ito ay maaaring magamit upang makalkula ang margin ng error sa pagitan ng mga set ng data, tulad ng inaasahang mga resulta at aktwal na mga resulta, dahil nagbibigay ito ng isang sukatan ng paglihis ng mga puntos ng data mula sa ibig sabihin ng halaga.
Para sa isang tala na dapat isaalang-alang na may kaugnayan, ang karamihan sa mga puntos ng data ay dapat na nasa loob ng isang partikular na bilang ng mga pamantayan sa paglihis mula sa ibig sabihin tulad ng inilarawan ng teorema ng Chebyshev, na kilala rin bilang hindi pagkakapantay-pantay ni Chebyshev. Nagbibigay ito ng mga patnubay tungkol sa posibilidad ng isang random variable na naiiba sa ibig sabihin.
Batay sa bilang ng mga karaniwang mga paglihis na tinukoy, ang isang random variable ay may isang partikular na posibilidad ng umiiral sa loob ng mga puntong iyon. Halimbawa, maaaring hiniling na ang isang saklaw ng dalawang karaniwang mga paglihis ay naglalaman ng hindi bababa sa 75% ng mga puntos ng data na maituturing na may bisa. Ang isang karaniwang sanhi ng mga pagkakaiba-iba sa labas ng minimum na kinakailangan ay madalas na maiugnay sa mga isyu ng kalidad ng data.
Ang kabaligtaran ng heteroskedastic ay homoskedastic. Ang homoskedasticity ay tumutukoy sa isang kondisyon kung saan ang pagkakaiba-iba ng natitirang termino ay pare-pareho o halos gayon. Ang homoskedasticity ay isang palagay ng pagmomodelo sa linear regression. Ang Homoskedasticity ay nagmumungkahi na ang modelo ng regression ay maaaring maayos na tinukoy, nangangahulugang nagbibigay ito ng isang mahusay na paliwanag sa pagganap ng umaasang variable.
Ang Mga Uri Heteroskedasticity
Walang kondisyon
Ang unconditional heteroskedasticity ay mahuhulaan, at madalas na nauugnay sa mga variable na cyclical sa likas na katangian. Maaari nitong isama ang mas mataas na benta ng tingi na iniulat sa panahon ng tradisyonal na panahon ng pamimili sa holiday o ang pagtaas ng mga tawag sa pag-aayos ng air conditioner sa mas mainit na buwan.
Ang mga pagbabago sa loob ng pagkakaiba-iba ay maaaring nakatali nang direkta sa paglitaw ng mga partikular na mga kaganapan o mga mahuhulaan na marker kung ang mga pagbago ay hindi tradisyonal na pana-panahon. Maaari itong maiugnay sa isang pagtaas sa mga benta ng smartphone sa pagpapalabas ng isang bagong modelo dahil ang aktibidad ay cyclical batay sa kaganapan ngunit hindi kinakailangan na tinukoy ng panahon.
Kundisyon
Ang kondisyong heteroskedasticity ay hindi mahuhulaan sa likas na katangian. Walang kwentang palatandaan na humahantong sa mga analyst na maniwala na ang data ay magiging higit pa o mas kaunting kalat sa anumang oras sa oras. Kadalasan, ang mga produktong pinansyal ay itinuturing na napapailalim sa kondisyong heteroskedasticity dahil hindi lahat ng mga pagbabago ay maiugnay sa mga tiyak na kaganapan o pagbabago sa pana-panahon.
Mga Espesyal na Pagsasaalang-alang
Heteroskedasticity at Pamantayang Pampinansyal
Ang Heteroskedasticity ay isang mahalagang konsepto sa pagmomolde ng regression, at sa mundo ng pamumuhunan, ang mga modelo ng regression ay ginagamit upang ipaliwanag ang pagganap ng mga security at portfolio portfolio. Ang pinaka-kilalang mga ito ay ang Capital Asset Pricing Model (CAPM), na nagpapaliwanag sa pagganap ng isang stock sa mga tuntunin ng pagkasumpungin nito na nauugnay sa merkado bilang isang buo. Ang mga extension ng modelong ito ay nagdagdag ng iba pang mga variable ng prediktor tulad ng laki, momentum, kalidad, at istilo (halaga kumpara sa paglaki).
Ang mga variable na prediktor na ito ay naidagdag dahil ipinaliwanag nila o account para sa pagkakaiba-iba sa umaasa sa variable. Ang pagganap ng portfolio ay ipinaliwanag ng CAPM. Halimbawa, ang mga nag-develop ng modelo ng CAPM ay may kamalayan na ang kanilang modelo ay nabigo na ipaliwanag ang isang kagiliw-giliw na anomalya: ang mga mataas na kalidad na stock, na hindi gaanong pabagu-bago ng stock na may mababang kalidad, ay may gawi na gampanan kaysa sa hinulaang modelo ng CAPM. Sinabi ng CAPM na ang mga stock na mas mataas na peligro ay dapat na mas mataas ang mga stock na may mas mababang panganib. Sa madaling salita, ang mga stock na may mataas na pagkasumpungin ay dapat talunin ang mga stock na mas mababang pagkasumpungin. Ngunit ang mga de-kalidad na stock, na hindi gaanong pabagu-bago, ay may gawi na gampanan kaysa sa hinulaan ng CAPM.
Nang maglaon, ang iba pang mga mananaliksik ay nagpalawak ng modelo ng CAPM (na kung saan ay pinalawak na isama ang iba pang mga variable na prediktor tulad ng laki, estilo, at momentum) upang isama ang kalidad bilang isang karagdagang variable ng prediktor, na kilala rin bilang isang "factor." Gamit ang kadahilanan na kasama na ngayon sa modelo, ang pagganap na anomalya ng mababang pagkasumpungin stock ay naitala para sa. Ang mga modelong ito, na kilala bilang mga modelo ng multi-factor, ay bumubuo ng batayan ng pamumuhunan sa kadahilanan at matalinong beta.
