¿Qué es la Heteroskedasticidad?
en Estadística, la heteroscedasticidad (o heteroscedasticidad) ocurre cuando las desviaciones estándar de una variable predicha, monitoreadas sobre diferentes valores de una variable independiente o en relación con períodos de tiempo anteriores, no son constantes. Con la heterocedasticidad, el signo revelador de la inspección visual de los errores residuales es que tenderán a dispersarse con el tiempo, como se muestra en la imagen de abajo.
La Heteroscedasticidad a menudo surge en dos formas: condicional e incondicional., La heterocedasticidad condicional identifica la volatilidad no constante relacionada con la volatilidad del período anterior (por ejemplo, diaria). La heterocedasticidad incondicional se refiere a los cambios estructurales generales en la volatilidad que no están relacionados con la volatilidad del período anterior. La heterocedasticidad incondicional se utiliza cuando se pueden identificar períodos futuros de volatilidad alta y baja.,
Puntos Clave
- En las estadísticas, heterocedasticidad (o heterocedasticidad) ocurre cuando los errores estándar de una variable, seguidos durante un período de tiempo específico, no son constantes.
- con la heterocedasticidad, el signo revelador de la inspección visual de los errores residuales es que tenderán a dispersarse con el tiempo, como se muestra en la imagen de arriba.,
- La heterocedasticidad es una violación de los supuestos para el modelado de regresión lineal, por lo que puede afectar la validez del análisis econométrico o modelos financieros como CAPM.
mientras que la heterocedasticidad no causa sesgo en las estimaciones del coeficiente, las hace menos precisas; una precisión más baja aumenta la probabilidad de que las estimaciones del coeficiente estén más lejos del valor correcto de la población.,
los Fundamentos de La Heterocedasticidad
En finanzas, heterocedasticidad condicional es visto a menudo en los precios de acciones y bonos. El nivel de volatilidad de estas acciones no puede predecirse en ningún período. La heterocedasticidad incondicional se puede usar cuando se discuten variables que tienen variabilidad estacional identificable, como el uso de electricidad.,
en lo que se refiere a las estadísticas, la heteroscedasticidad (también deletreada heteroscedasticidad) se refiere a la varianza de error, o dependencia de la dispersión, dentro de un mínimo de una variable independiente dentro de una muestra particular. Estas variaciones se pueden utilizar para calcular el margen de error entre conjuntos de datos, como los resultados esperados y los resultados reales, ya que proporciona una medida de la desviación de los puntos de datos del valor medio.,
para que un conjunto de datos sea considerado relevante, la mayoría de los puntos de datos deben estar dentro de un número particular de desviaciones estándar de la media según lo descrito por el teorema de Chebyshev, también conocido como desigualdad de Chebyshev. Esto proporciona pautas con respecto a la probabilidad de una variable aleatoria que difiera de la media.
basado en el número de desviaciones estándar especificadas, una variable aleatoria tiene una probabilidad particular de existir dentro de esos puntos., Por ejemplo, puede requerirse que un rango de dos desviaciones estándar contenga al menos el 75% de los puntos de datos que se consideren válidos. Una causa común de las diferencias fuera del requisito mínimo se atribuye a menudo a cuestiones de calidad de los datos.
lo contrario de heteroskedastic es homoskedastic. Homoskedasticidad se refiere a una condición en la que la varianza del término residual es constante o casi. La homocedasticidad es una suposición del modelado de regresión lineal., Es necesario asegurar que las estimaciones son exactas, que los límites de predicción para la variable dependiente son válidos, y que los intervalos de confianza y los valores p para los parámetros son válidos.
los tipos Heteroskedasticidad
incondicional
La heteroskedasticidad incondicional es predecible y puede relacionarse con variables que son cíclicas por naturaleza. Esto puede incluir mayores ventas minoristas reportadas durante el período tradicional de compras navideñas o el aumento en las llamadas de reparación de aire acondicionado durante los meses más cálidos.,
Los cambios dentro de la varianza pueden vincularse directamente a la ocurrencia de eventos particulares o marcadores predictivos si los cambios no son tradicionalmente estacionales. Esto puede estar relacionado con un aumento en las ventas de teléfonos inteligentes con el lanzamiento de un nuevo modelo, ya que la actividad es cíclica basada en el evento, pero no necesariamente determinada por la temporada.
La heterocedasticidad también puede relacionarse con casos en los que los datos se acercan a un límite, donde la varianza debe ser necesariamente menor debido a que el límite restringe el rango de los datos.,
Condicional
heterocedasticidad Condicional no es predecible por la naturaleza. No hay ningún signo revelador que lleve a los analistas a creer que los datos se dispersarán más o menos en cualquier momento. A menudo, los productos financieros se consideran sujetos a heterocedasticidad condicional, ya que no todos los cambios pueden atribuirse a eventos específicos o cambios estacionales.
una aplicación común de la heteroscedasticidad condicional es a los mercados de valores, donde la volatilidad de hoy está fuertemente relacionada con la volatilidad de ayer., Este modelo explica los períodos de alta volatilidad persistente y baja volatilidad.
consideraciones especiales
Heteroskedasticidad y Modelado financiero
La Heteroskedasticidad es un concepto importante en el modelado de regresión, y en el mundo de la inversión, los modelos de regresión se utilizan para explicar el rendimiento de los valores y carteras de inversión. El más conocido de ellos es el modelo de precios de activos de Capital (CAPM), que explica el rendimiento de una acción en términos de su volatilidad en relación con el mercado en su conjunto., Las extensiones de este modelo han agregado otras variables predictoras como el tamaño, el momento, la calidad y el estilo (valor versus crecimiento).
estas variables predictoras se han añadido porque explican o explican la varianza en la variable dependiente. El rendimiento de la cartera se explica por CAPM. Por ejemplo, los desarrolladores del modelo CAPM eran conscientes de que su modelo no explicaba una anomalía interesante: las acciones de alta calidad, que eran menos volátiles que las acciones de baja calidad, tendían a funcionar mejor de lo que el modelo CAPM predijo., CAPM dice que las acciones de mayor riesgo deberían superar a las acciones de menor riesgo.
En otras palabras, las acciones de alta volatilidad deberían vencer a las acciones de baja volatilidad. Pero las acciones de alta calidad, que son menos volátiles, tendieron a rendir mejor de lo previsto por CAPM.
más tarde, otros investigadores extendieron el modelo CAPM (que ya se había extendido para incluir otras variables predictoras como tamaño, estilo y momento) para incluir la calidad como una variable predictora adicional, también conocida como un «factor».,»Con este factor ahora incluido en el modelo, se tuvo en cuenta la anomalía de rendimiento de las acciones de baja volatilidad. Estos modelos, conocidos como modelos multifactor, forman la base de la inversión por factores y smart beta.