Hvad Er Heteroskedasticity?
i statistik sker heteroskedasticitet (eller heteroscedasticitet), når standardafvigelserne for en forudsagt variabel, der overvåges over forskellige værdier af en uafhængig variabel eller som relateret til tidligere tidsperioder, er ikke-konstante. Med heteroskedasticitet, kontrollampe tegn ved visuel inspektion af de resterende fejl er, at de vil have tendens til at vifte ud over tid, som afbildet i billedet nedenfor.
heteroskedasticitet opstår ofte i to former: betinget og ubetinget., Betinget heteroskedasticitet identificerer nonconstant volatilitet relateret til tidligere periodes (f.daglige) volatilitet. Ubetinget heteroskedasticitet henviser til generelle strukturelle ændringer i volatilitet, der ikke er relateret til tidligere periodevolatilitet. Ubetinget heteroskedasticitet bruges, når fremtidige perioder med høj og lav volatilitet kan identificeres.,
Key Takeaways
- I statistik, heteroskedasticity (eller heteroscedasticity) der sker når den standard fejl af en variabel, overvåget i løbet af en bestemt tid, er ikke-konstant.
- med heteroskedasticitet er fortællingstegnet ved visuel inspektion af de resterende fejl, at de vil have tendens til at blæse ud over tid, som afbildet på billedet ovenfor.,
- heteroskedasticitet er en overtrædelse af antagelserne for lineær regressionsmodellering, og det kan derfor påvirke gyldigheden af økonometrisk analyse eller økonomiske modeller som CAPM.
mens heteroskedasticitet ikke forårsager bias i koefficientestimaterne, gør det dem mindre præcise; lavere præcision øger sandsynligheden for, at koefficientestimaterne ligger længere fra den korrekte populationsværdi.,
det grundlæggende i heteroskedasticitet
i finansiering ses betinget heteroskedasticitet ofte i priserne på aktier og obligationer. Volatiliteten af disse aktier kan ikke forudsiges over nogen periode. Ubetinget heteroskedasticitet kan bruges, når man diskuterer variabler, der har identificerbar sæsonvariabilitet, såsom elforbrug.,som det vedrører statistik, henviser heteroskedasticitet (også stavet heteroscedasticitet) til fejlvariansen eller afhængigheden af spredning inden for mindst en uafhængig variabel inden for en bestemt prøve. Disse variationer kan bruges til at beregne fejlmargen mellem datasæt, såsom forventede resultater og faktiske resultater, da det giver et mål for datapunkternes afvigelse fra middelværdien.,
for at et datasæt skal betragtes som relevant, skal størstedelen af datapunkterne ligge inden for et bestemt antal standardafvigelser fra gennemsnittet som beskrevet i Chebyshevs sætning, også kendt som Chebyshevs ulighed. Dette giver retningslinjer for sandsynligheden for en tilfældig variabel, der adskiller sig fra gennemsnittet.
baseret på antallet af angivne standardafvigelser har en tilfældig variabel en særlig Sandsynlighed for at eksistere inden for disse punkter., For eksempel kan det være nødvendigt, at en rækkevidde på to standardafvigelser indeholder mindst 75% af datapunkterne, der skal betragtes som gyldige. En almindelig årsag til afvigelser uden for minimumskravet tilskrives ofte spørgsmål om datakvalitet.
det modsatte af heteroskedastic er homoskedastic. Homoskedasticitet henviser til en tilstand, hvor variansen af den resterende sigt er konstant eller næsten så. Homoskedasticitet er en antagelse om lineær regressionsmodellering., Det er nødvendigt at sikre, at estimaterne er nøjagtige, at forudsigelsesgrænserne for den afhængige variabel er gyldige, og at konfidensintervaller og p-værdier for parametrene er gyldige.
typerne heteroskedasticitet
ubetinget
ubetinget heteroskedasticitet er forudsigelig og kan relatere til variabler, der er cykliske af natur. Dette kan omfatte højere detailsalg rapporteret under den traditionelle ferie shopping periode eller stigningen i klimaanlægget reparation opkald i de varmere måneder.,ændringer inden for variansen kan knyttes direkte til forekomsten af bestemte begivenheder eller forudsigelige markører, hvis skiftene ikke traditionelt er sæsonbestemte. Dette kan relateres til en stigning i smartphone-salget med frigivelsen af en ny model, da aktiviteten er cyklisk baseret på begivenheden, men ikke nødvendigvis bestemt af sæsonen.
heteroskedasticitet kan også relateres til tilfælde, hvor dataene nærmer sig en grænse—hvor variansen nødvendigvis skal være mindre på grund af grænsens begrænsning af dataområdet.,
betinget
betinget heteroskedasticitet er ikke forudsigelig af natur. Der er ingen afslørende tegn, der fører analytikere til at tro data vil blive mere eller mindre spredt på ethvert tidspunkt. Ofte betragtes finansielle produkter som betinget heteroskedasticitet, da ikke alle ændringer kan tilskrives specifikke begivenheder eller sæsonændringer.
en fælles anvendelse af betinget heteroskedasticitet er aktiemarkeder, hvor volatiliteten i dag er stærkt relateret til volatilitet i går., Denne model forklarer perioder med vedvarende høj volatilitet og lav volatilitet.
Særlige Overvejelser
Heteroskedasticity og Finansiel Modellering
Heteroskedasticity er et vigtigt begreb i regression modellering, og i investeringen verden, regression modeller er anvendt til at forklare udførelsen af værdipapirer og investeringsporteføljer. Den mest kendte af disse er Capital Asset Pricing Model (CAPM), som forklarer en akties ydeevne med hensyn til dens volatilitet i forhold til markedet som helhed., Udvidelser af denne model har tilføjet andre forudsigelsesvariabler som størrelse, momentum, kvalitet og stil (værdi versus vækst).
disse forudsigelsesvariabler er blevet tilføjet, fordi de forklarer eller forklarer variansen i den afhængige variabel. Porteføljens ydeevne forklares af CAPM. For eksempel var udviklere af CAPM-modellen opmærksomme på, at deres model ikke kunne forklare en interessant anomali: lagre af høj kvalitet, som var mindre volatile end lagre af lav kvalitet, havde en tendens til at fungere bedre end CAPM-modellen forudsagde., CAPM siger, at lagre med højere risiko bør overgå lagre med lavere risiko.
med andre ord bør lagre med høj volatilitet slå lagre med lavere volatilitet. Men lagre af høj kvalitet, som er mindre volatile, havde en tendens til at fungere bedre end forventet af CAPM.
Senere, andre forskere udvidet CAPM-modellen (som allerede var blevet udvidet til at omfatte andre prædiktor-variable som størrelse, stil, og momentum) til også at omfatte kvalitet som en yderligere indikator variabel, også kendt som en “faktor.,”Med denne faktor, der nu er inkluderet i modellen, blev præstationsanomalien for lagre med lav volatilitet redegjort for. Disse modeller, kendt som multifaktormodeller, danner grundlaget for faktorinvestering og smart beta.