Kas ir heteroskedasticitāte?
Statistikā heteroskedasticitāte (vai heteroscedasticitāte) notiek, ja mainīgā standarta kļūdas, kuras tiek novērotas noteiktā laika posmā, nav konstantas. Ar heteroskedatilitāti indikatora zīme, vizuāli pārbaudot atlikušās kļūdas, ir tāda, ka laika gaitā tie mēdz izbalināt, kā parādīts attēlā zemāk.
Heteroskedasticitāte bieži rodas divās formās: nosacīta un beznosacījuma. Ar nosacīto heteroskedatilitāti tiek identificēta nekonstanta nepastāvība, kad nav iespējams noteikt lielās un zemās nepastāvības nākamos periodus. Beznosacījuma heteroskedatilitāti izmanto, lai identificētu nākotnes periodus ar augstu un zemu nepastāvību.
Attēla autore Džūlija Banga © Investopedia 2019
Taustiņu izņemšana
- Statistikā heteroskedastiskums (vai heteroskedasticitāte) notiek, ja mainīgā standarta kļūdas, kuras tiek novērotas noteiktā laika posmā, nav nemainīgas.Ar heteroskedasticitāti indikatora zīme, vizuāli pārbaudot atlikušās kļūdas, ir tāda, ka tās mēdz laika gaitā izbalināt, kā parādīts zemāk esošajā attēlā. Heteroskedatilitāte ir lineārās regresijas modelēšanas pieņēmumu pārkāpums, un tāpēc tā var ietekmēt ekonometriskās analīzes vai tādu finanšu modeļu kā CAPM derīgumu.
Kaut arī heteroskedatilitāte neizraisa novirzes koeficientu novērtējumos, tas tomēr padara tos mazāk precīzus; zemāka precizitāte palielina varbūtību, ka koeficienta aprēķini ir tālāk no pareizās populācijas vērtības.
Heteroskedatilitātes pamati
Finanšu jomā nosacīta heteroskedatilitāte bieži tiek novērota akciju un obligāciju cenās. Šo akciju nepastāvības līmeni nevar paredzēt nevienā laika posmā. Beznosacījuma heteroskedatilitāti var izmantot, apspriežot mainīgos, kuriem ir identificējamas sezonālās mainības, piemēram, elektrības patēriņu.
Ciktāl tas attiecas uz statistiku, heteroskedatilitāte (arī pareizrakstības heteroskedasticitāte) attiecas uz kļūdas dispersiju vai izkliedes atkarību vismaz viena neatkarīga mainīgā lielumā konkrētā paraugā. Šīs variācijas var izmantot, lai aprēķinātu kļūdas robežu starp datu kopām, piemēram, sagaidāmajiem rezultātiem un faktiskajiem rezultātiem, jo tās nodrošina datu punktu novirzes no vidējās vērtības.
Lai datu kopu uzskatītu par būtisku, lielākajai daļai datu punktu jābūt noteiktā skaitā standartnoviržu no vidējā, kā aprakstīts Čebiševa teorēmā, kas pazīstama arī kā Čebiševa nevienādība. Tas sniedz vadlīnijas par gadījuma lieluma varbūtību, kas atšķiras no vidējā.
Balstoties uz norādīto standarta noviržu skaitu, izlases veida mainīgajam ir īpaša iespējamība, ka tas pastāv šajos punktos. Piemēram, var pieprasīt, lai divu standarta noviržu diapazonā būtu vismaz 75% datu punktu, lai tos uzskatītu par derīgiem. Parasti atšķirību iemesls, kas neatbilst minimālajām prasībām, bieži tiek saistīts ar datu kvalitātes jautājumiem.
Heteroskedastikas pretstats ir homoskedastisks. Homoskedasticitāte attiecas uz stāvokli, kurā atlikušā termina dispersija ir nemainīga vai gandrīz tāda pati. Homoskedasticitāte ir viens pieņēmums par lineārās regresijas modelēšanu. Homoskedasticitāte liek domāt, ka regresijas modelis var būt precīzi definēts, kas nozīmē, ka tas sniedz labu izskaidrojumu atkarīgā mainīgā veiktspējai.
Heteroskedasticitātes veidi
Beznosacījuma
Beznosacījuma heteroskedatilitāte ir paredzama, un tā visbiežāk attiecas uz mainīgajiem, kas pēc savas dabas ir cikliski. Tas var ietvert lielākus mazumtirdzniecības apjomus, par kuriem ziņots tradicionālajā svētku iepirkšanās periodā, vai gaisa kondicionieru remonta izsaukumu pieaugumu siltākos mēnešos.
Izmaiņas dispersijas robežās var būt tieši saistītas ar noteiktu notikumu vai prognozējošo marķieru iestāšanos, ja maiņai nav tradicionālas sezonalitātes. To var saistīt ar viedtālruņu pārdošanas pieaugumu līdz ar jauna modeļa izlaišanu, jo aktivitāte ir cikliska, pamatojoties uz notikumu, bet ne vienmēr to nosaka sezona.
Nosacīti
Nosacītā heteroskedatilitāte pēc savas būtības nav paredzama. Nav indikatora zīmes, kas analītiķiem liek domāt, ka dati jebkurā brīdī būs vairāk vai mazāk izkliedēti. Bieži vien finanšu produktus uzskata par pakļautiem nosacītajai heteroskedatilitātei, jo ne visas izmaiņas var attiecināt uz konkrētiem notikumiem vai sezonālām izmaiņām.
Īpaši apsvērumi
Heteroskedatilitāte un finanšu modelēšana
Heteroskedatilitāte ir svarīgs jēdziens regresijas modelēšanā, un ieguldījumu pasaulē regresijas modeļi tiek izmantoti, lai izskaidrotu vērtspapīru un ieguldījumu portfeļu darbību. Vispazīstamākais no tiem ir kapitāla aktīvu cenu noteikšanas modelis (CAPM), kas izskaidro akciju veiktspēju, ņemot vērā to nepastāvību attiecībā pret tirgu kopumā. Šī modeļa paplašinājumi ir pievienojuši citus paredzamos mainīgos, piemēram, lielumu, impulsu, kvalitāti un stilu (vērtība pret pieaugumu).
Šie paredzamie mainīgie ir pievienoti, jo tie izskaidro vai norāda dispersiju atkarīgajā mainīgajā. Portfeļa veiktspēju skaidro CAPM. Piemēram, CAPM modeļa izstrādātāji apzinājās, ka viņu modelis nespēj izskaidrot interesantu anomāliju: augstas kvalitātes krājumiem, kas bija mazāk svārstīgi nekā zemas kvalitātes krājumiem, bija tendence darboties labāk nekā tika prognozēts CAPM modelim. CAPM saka, ka augstāka riska krājumiem vajadzētu pārspēt zemāka riska krājumus. Citiem vārdiem sakot, akcijām ar augstu nepastāvību vajadzētu pārspēt zemākas nepastāvības akcijas. Bet augstas kvalitātes krājumiem, kas ir mazāk nepastāvīgi, bija tendence darboties labāk, nekā prognozēja CAPM.
Vēlāk citi pētnieki paplašināja CAPM modeli (kas jau tika paplašināts, iekļaujot citus paredzamus mainīgos, piemēram, lielumu, stilu un impulsu), lai iekļautu kvalitāti kā papildu prognozējamo mainīgo, kas pazīstams arī kā "faktors". Tā kā šis faktors tagad ir iekļauts modelī, tika ņemta vērā zemu nepastāvības akciju darbības anomālija. Šie modeļi, kas pazīstami kā daudzfaktoru modeļi, ir pamatā faktoru ieguldījumiem un viedajai beta versijai.
