Ano ang Homoskedastic?
Ang Homoskedastic (din na baybay na "homoscedastic") ay tumutukoy sa isang kondisyon kung saan ang pagkakaiba-iba ng tira, o term na error, sa isang modelo ng regression ay pare-pareho. Iyon ay, ang term ng error ay hindi nag-iiba-iba ng halaga ng mga pagbabago sa variable na nahuhula. Gayunpaman, ang kakulangan ng homoskedasticity ay maaaring magmungkahi na ang modelo ng regression ay maaaring kailanganing magsama ng karagdagang mga variable na prediktor upang maipaliwanag ang pagganap ng umaasang variable.
Mga Key Takeaways
- Ang homoskedasticity ay nangyayari kapag ang pagkakaiba-iba ng termino ng error sa isang modelo ng regression ay pare-pareho. Kung ang pagkakaiba-iba ng termino ng error ay homoskedastic, ang modelo ay mahusay na tinukoy. Kung may labis na pagkakaiba-iba, ang modelo ay maaaring hindi matukoy nang maayos. Ang pagdaragdag ng mga karagdagang variable ng predictor ay makakatulong na maipaliwanag ang pagganap ng umaasa sa variable.Oppositely, heteroskedasticity ay nangyayari kapag ang pagkakaiba-iba ng term ng error ay hindi pare-pareho.
Paano Gumagana ang Homoskedastic
Ang homoskedasticity ay isang palagay ng pagmomodelo sa linear regression. Kung ang pagkakaiba-iba ng mga error sa paligid ng linya ng regression ay nag-iiba-iba, ang modelo ng regression ay maaaring hindi maganda tinukoy. Ang kabaligtaran ng homoskedasticity ay heteroskedasticity tulad ng kabaligtaran ng "homogenous" ay "heterogenous." Ang Heteroskedasticity (na-spell din na "heteroscedasticity") ay tumutukoy sa isang kondisyon kung saan ang pagkakaiba-iba ng termino ng error sa isang equation ng regression ay hindi pare-pareho.
Kung isinasaalang-alang na ang pagkakaiba-iba ay ang sinusukat na pagkakaiba sa pagitan ng hinulaang kinalabasan at ang aktwal na kinalabasan ng isang naibigay na sitwasyon, ang pagtukoy ng homoskedasticity ay makakatulong upang matukoy kung aling mga kadahilanan ang dapat ayusin para sa kawastuhan.
Mga Espesyal na Pagsasaalang-alang
Ang isang simpleng modelo ng regression, o equation, ay binubuo ng apat na termino. Sa kaliwang bahagi ay ang umaasa variable. Kinakatawan nito ang kababalaghan na hinahangad ng modelo na "ipaliwanag." Sa kanang bahagi ay isang pare-pareho, variable variable, at isang nalalabi, o error, term. Ang termino ng error ay nagpapakita ng dami ng pagkakaiba-iba sa umaasa sa variable na hindi ipinaliwanag ng variable variable.
Halimbawa ng Homoskedastic
Halimbawa, ipagpalagay na nais mong ipaliwanag ang mga marka ng pagsubok sa mag-aaral gamit ang dami ng oras na ginugol ng bawat mag-aaral. Sa kasong ito, ang mga marka ng pagsubok ay ang umaasa sa variable at ang oras na ginugol sa pag-aaral ay ang variable na manghuhula.
Ang term ng error ay magpapakita ng dami ng pagkakaiba-iba sa mga marka ng pagsubok na hindi ipinaliwanag sa dami ng oras ng pag-aaral. Kung ang pagkakaiba-iba na iyon ay pantay, o homoskedastic, kung gayon ang iminumungkahi na ang modelo ay maaaring isang sapat na paliwanag para sa pagganap ng pagsubok - ipinaliwanag ito sa mga tuntunin ng oras na ginugol sa pag-aaral.
Ngunit ang pagkakaiba-iba ay maaaring heteroskedastic. Ang isang balangkas ng data ng error na term ay maaaring magpakita ng isang malaking halaga ng oras ng pag-aaral na nauugnay nang malapit sa mataas na mga marka ng pagsubok ngunit ang mga mababang marka ng oras ng pag-aaral ay iba-iba at kasama ang ilang napakataas na mga marka. Kaya ang pagkakaiba-iba ng mga marka ay hindi maipaliwanag nang maayos sa pamamagitan ng isang variable ng prediktor - ang dami ng oras sa pag-aaral. Sa kasong ito, ang ilang iba pang kadahilanan ay marahil sa trabaho, at ang modelo ay maaaring kailanganing mapahusay upang makilala ito o sa kanila. Ang karagdagang pagsisiyasat ay maaaring magbunyag na ang ilang mga mag-aaral ay nakakita ng mga sagot sa pagsubok bago o sa oras na kumuha sila ng isang katulad na pagsubok, at samakatuwid ay hindi kailangang mag-aral para sa partikular na pagsubok na ito.
Upang mapabuti ang modelo ng pagbabalik, samakatuwid, ang mananaliksik ay, magdagdag ng isa pang variable na paliwanag na nagpapahiwatig kung ang isang mag-aaral ay nakakita ng mga sagot bago ang pagsubok. Ang modelo ng regression ay magkakaroon pagkatapos ng dalawang variable na paliwanag - pag-aaral sa oras at kung nauna nang nalaman ng mag-aaral ang mga sagot. Gamit ang dalawang variable na ito, higit pa sa pagkakaiba-iba ng mga marka ng pagsubok ay maipaliwanag at ang pagkakaiba-iba ng termino ng error ay maaaring homoskedastic, na nagmumungkahi na ang modelo ay mahusay na tinukoy.
