Heteroscedasticitet

Heteroscedasticitet, også kjent som heteroskedastisitet, er en egenskap ved regresjonsanalyse der variansen til feilleddet ikke er konstant across observasjoner. I en homoskedastisk modell er feilvariansen den samme uavhengig av nivået på den uavhengige variabelen. Visuell inspeksjon av residualer plottet mot fitted verdier viser ofte heteroscedastisitet når spredningen endres med nivået av den forutgående variabelen.

Årsaker og sammenhenger: Heteroscedastisitet oppstår ofte på grunn av skalerings-, variasjons- eller gruppesammensetningsfaktorer, modellspesifikasjonsfeil, utelatte variabler, målefeil eller tidsavhengige trender. Den er vanlig i tverrsnittdata og i tidsserier, spesielt når volatiliteten varierer over tid eller med størrelsen på den avhengige variabelen.

Konsekvenser: I minste kvadraters metode (OLS) er koeffisientestimatene ufarlige for skjevhet under visse antagelser, men standardfeilene blir skjeve når heteroscedastisitet er til stede. Dette gjør tester som t-tester og konfidensintervaler upålitelige og innsatsen mindre effektiv.

Påvisning: Residualplot og formelle tester som Breusch-Pagan, White og Goldfeld-Quandt brukes til å oppdage heteroscedastisitet. I tidsserier kan betinget heteroscedastisitet oppstå, og modeller som ARCH/GARCH fanger dette mønsteret.

Håndtering: Bruke robuste standardfeil (heteroskedastisitets-konsistente standardfeil), transformere den avhengige variabelen (for eksempel log-transformasjon), eller anvende GLS/feasible GLS hvis variansstrukturen er kjent. Når spesifikasjon eller feilmodeller formell heteroscedastisitet, kan vektdelte minste kvadrater (WLS) eller modeller som eksplisitt modellerer variansen være passende. I tidsserier kan ARCH/GARCH-modeller være aktuelle.