Heteroskedasticity (Norsk)

Hva Er Heteroskedasticity?

I statistikk, heteroskedasticity (eller heteroscedasticity) skjer når en standard avvik av et anslått variabel, overvåket over ulike verdier av en uavhengig variabel eller som er relatert til tidligere perioder, ikke er konstant. Med heteroskedasticity, de avslørende tegn på visuell inspeksjon av de gjenværende feil er at de har en tendens til å vifte seg over tid, som vist i bildet nedenfor.

Heteroskedasticity oppstår ofte i to former: betinget og ubetinget., Betinget heteroskedasticity identifiserer nonconstant volatilitet knyttet til tidligere perioders (for eksempel daglig) volatilitet. Ubetinget heteroskedasticity viser til generelle strukturelle endringer i volatilitet som ikke er relatert til tidligere periode volatilitet. Ubetinget heteroskedasticity brukes når fremtidige perioder med høy og lav volatilitet kan identifiseres.,

Det Grunnleggende av Heteroskedasticity

I finans, betinget heteroskedasticity er ofte sett på prisene på aksjer og obligasjoner. Graden av volatilitet i disse aksjer kan ikke forutsies over en periode. Ubetinget heteroskedasticity kan brukes når man diskuterer variablene som har identifiserbar sesongmessige variasjoner, for eksempel strømforbruk.,

når det gjelder statistikk, heteroskedasticity (også stavet heteroscedasticity) refererer til feil variansen, eller avhengighet av spredning, innen et minimum av én uavhengig variabel i en enkelt prøve. Disse variasjonene kan brukes til å beregne feilmarginen mellom datasett, for eksempel forventede resultater, og faktiske resultater, som gir et mål på avvik av data poeng fra gjennomsnittsverdien.,

For et dataset som skal anses som relevante, de fleste av data poeng må være innenfor et bestemt antall standardavvik fra gjennomsnittet som er beskrevet av Chebyshev teorem, også kjent som Chebyshev er ulikhet. Dette gir retningslinjer for sannsynligheten for at en tilfeldig variabel som avviker fra gjennomsnittet.

Basert på antall standard avvik er angitt, er en tilfeldig variabel har en bestemt sannsynlighet for eksisterende innenfor disse punktene., For eksempel kan det være nødvendig som en serie med to standardavvik inneholde minst 75% av data poeng for å være gyldig. En vanlig årsak til avvik utenfor minimumskravet er ofte knyttet til problemer av data med høy kvalitet.

Det motsatte av heteroskedastic er homoskedastic. Homoskedasticity refererer til en tilstand der variansen av den gjenværende avtaleperioden er konstant eller nesten slik. Homoskedasticity er en forutsetning for lineær regresjon modellering., Det er nødvendig for å sikre at tallene er korrekt, at spådommen om grensene for den avhengige variabelen er gyldig, og at konfidensintervall og p-verdier for parametrene er gyldig.

Typer Heteroskedasticity

Ubetinget

Ubetinget heteroskedasticity er forutsigbar og kan forholde seg til variabler som er syklisk av natur. Dette kan omfatte høyere salg rapportert under den tradisjonelle ferie shopping periode eller økning i air conditioner repair samtaler i løpet av sommermånedene.,

Endringer i variansen kan være direkte knyttet til forekomsten av bestemte hendelser eller prediktive markører hvis skiftene er ikke tradisjonelt sesong. Dette kan være relatert til en økning i smarttelefon-salget med utgivelsen av en ny modell som aktivitet er syklisk basert på hendelsen, men ikke nødvendigvis bestemt av sesongen.

Heteroskedasticity kan også gjelde tilfeller hvor dataene nærme seg en grense—hvor variansen må nødvendigvis være mindre på grunn av grensen er å begrense omfanget av data.,

Betinget

Betinget heteroskedasticity er ikke forutsigbar av natur. Det er ingen avslørende tegn som fører analytikere tror dataene vil bli mer eller mindre spredt på ethvert tidspunkt. Ofte, finansielle produkter anses underlagt betinget heteroskedasticity som ikke alle endringer kan tilskrives spesifikke hendelser eller sesongmessige endringer.

En felles anvendelse av betinget heteroskedasticity er å aksjemarkeder, der volatilitet i dag er sterkt knyttet til volatilitet i går., Denne modellen forklarer perioder med vedvarende høy volatilitet og lav volatilitet.

Spesielle Hensyn

Heteroskedasticity og Finansiell Modellering

Heteroskedasticity er et viktig konsept i regresjon modellering, og i investering verden, regresjonsmodellene er brukt til å forklare resultatene av verdipapirer og investeringsporteføljer. Den mest kjente av disse er kapitalverdimodellen (CAPM), noe som forklarer ytelsen til et lager i form av sin volatilitet i forhold til markedet som helhet., Utvidelser av denne modellen har lagt til andre prediktor variabler som størrelse, momentum, kvalitet og stil (verdi kontra vekst).

Disse prediktor variabler har vært lagt til grunn de forklare eller konto for variansen i den avhengige variabelen. Portefølje ytelse er forklart av CAPM. For eksempel, utviklerne av CAPM-modellen var klar over at deres modell klarte ikke å forklare et interessant unntak: høy kvalitet aksjer, som var mindre volatile enn lav kvalitet aksjer, en tendens til å prestere bedre enn CAPM-modellen spådd., CAPM sier at høyere risiko aksjer skal utkonkurrere lavere risiko aksjer.

med andre ord, høy volatilitet aksjer skulle slå lavere volatilitet aksjer. Men høy kvalitet aksjer, som er mindre volatile, hadde en tendens til å prestere bedre enn spådd av CAPM.

Senere, andre forskere utvidet CAPM-modellen (som allerede hadde blitt utvidet til å omfatte andre prediktor variabler som størrelse, stil og fart) for å inkludere kvalitet som en ekstra prediktor variabel, også kjent som en «faktor.,»Med denne faktoren som nå er inkludert i modellen, ytelse anomali av lav volatilitet aksjer ble gjort rede for. Disse modellene, som er kjent som multi-faktor modeller, danner grunnlaget for faktor å investere og smart beta.

– >