¿Qué es el homoskedastic?
Homoskedastic (también deletreado "homoscedastic") se refiere a una condición en la cual la varianza del residual, o término de error, en un modelo de regresión es constante. Es decir, el término de error no varía mucho a medida que cambia el valor de la variable predictora. Sin embargo, la falta de homocedasticidad puede sugerir que el modelo de regresión puede necesitar incluir variables predictoras adicionales para explicar el rendimiento de la variable dependiente.
Para llevar clave
- La homocedasticidad ocurre cuando la varianza del término de error en un modelo de regresión es constante. Si la varianza del término de error es homoskedastic, el modelo estaba bien definido. Si hay demasiada variación, el modelo puede no estar bien definido. Agregar variables predictoras adicionales puede ayudar a explicar el rendimiento de la variable dependiente. Opuestamente, la heterocedasticidad ocurre cuando la varianza del término de error no es constante.
Cómo funciona el homoesquelético
La homocedasticidad es una suposición del modelo de regresión lineal. Si la varianza de los errores alrededor de la línea de regresión varía mucho, el modelo de regresión puede estar mal definido. Lo opuesto a la homoscedasticidad es la heterocedasticidad, así como lo opuesto a "homogéneo" es "heterogéneo". La heterocedasticidad (también escrita como "heterocedasticidad") se refiere a una condición en la que la varianza del término de error en una ecuación de regresión no es constante.
Cuando se considera que la varianza es la diferencia medida entre el resultado predicho y el resultado real de una situación dada, determinar la homocedasticidad puede ayudar a determinar qué factores deben ajustarse para la precisión.
Consideraciones Especiales
Un modelo de regresión simple, o ecuación, consta de cuatro términos. En el lado izquierdo está la variable dependiente. Representa el fenómeno que el modelo busca "explicar". En el lado derecho hay una constante, una variable predictora y un término residual o de error. El término de error muestra la cantidad de variabilidad en la variable dependiente que no se explica por la variable predictora.
Ejemplo de homoesquelético
Por ejemplo, suponga que desea explicar los puntajes de los exámenes de los estudiantes usando la cantidad de tiempo que cada estudiante pasó estudiando. En este caso, los puntajes de las pruebas serían la variable dependiente y el tiempo dedicado a estudiar sería la variable predictora.
El término de error mostraría la cantidad de variación en los puntajes de las pruebas que no se explicaba por la cantidad de tiempo de estudio. Si esa varianza es uniforme u homoskedastic, entonces eso sugeriría que el modelo puede ser una explicación adecuada para el rendimiento de la prueba, explicando en términos de tiempo dedicado a estudiar.
Pero la variación puede ser heteroscedastica. Una gráfica de los datos del término de error puede mostrar que una gran cantidad de tiempo de estudio correspondió muy estrechamente con los puntajes altos de las pruebas, pero que los puntajes bajos de las pruebas de tiempo de estudio variaron ampliamente e incluso incluyeron algunas puntuaciones muy altas. Por lo tanto, la varianza de los puntajes no estaría bien explicada simplemente por una variable predictiva: la cantidad de tiempo de estudio. En este caso, es probable que haya algún otro factor en funcionamiento, y es posible que sea necesario mejorar el modelo para identificarlo o identificarlos. Una investigación adicional puede revelar que algunos estudiantes vieron las respuestas a la prueba con anticipación o que previamente tomaron una prueba similar y, por lo tanto, no tuvieron que estudiar para esta prueba en particular.
Para mejorar el modelo de regresión, el investigador, por lo tanto, agregaría otra variable explicativa que indicara si un estudiante había visto las respuestas antes de la prueba. El modelo de regresión tendría dos variables explicativas: el tiempo de estudio y si el alumno tenía conocimiento previo de las respuestas. Con estas dos variables, se explicaría una mayor parte de la varianza de los puntajes de las pruebas y la varianza del término de error podría ser homoskedastic, lo que sugiere que el modelo estaba bien definido.
