Kas yra heteroskedasticiškumas?
Statistikoje heteroskedaziškumas (arba heteroskedaziškumas) įvyksta, kai kintamojo standartinės paklaidos, stebimos per tam tikrą laiko tarpą, nėra pastovios. Atsižvelgiant į heteroskedaziškumą, vizualiai apžiūrint likusias klaidas, kontrolinės lemputės ženklas yra tas, kad laikui bėgant jos bus linkusios išblėsti, kaip parodyta paveikslėlyje žemiau.
Heteroskedaziškumas dažnai kyla iš dviejų formų: sąlyginio ir besąlyginio. Sąlyginis heteroskedališkumas identifikuoja nepastovų nepastovumą, kai negalima nustatyti būsimojo didelio ir žemo nepastovumo laikotarpių. Besąlyginis heteroskedaziškumas naudojamas, kai galima nustatyti aukšto ir žemo nepastovumo ateities laikotarpius.
Paveikslėlis - Julie Bang © „Investopedia 2019“
Pagrindiniai išvežamieji daiktai
- Statistikoje heteroskedaziškumas (arba heteroskedaziškumas) įvyksta, kai kintamojo standartinės paklaidos, stebimos per tam tikrą laiko tarpą, nėra pastovios. Esant heteroskedaziškumui, kontrolinės lemputės ženklas, apžiūrint likusias klaidas, yra tas, kad jos bus linkusios bėgant laikui, kad atvaizduotų, kaip parodyta žemiau esančiame paveikslėlyje.Heteroskedaziškumas yra tiesinės regresijos modeliavimo prielaidų pažeidimas, todėl jis gali paveikti ekonometrinės analizės ar tokių finansinių modelių kaip CAPM pagrįstumą.
Nors heteroskedaziškumas nesukelia šališkumo koeficientų įvertinimuose, tačiau jie daro juos ne tokius tikslus; mažesnis tikslumas padidina tikimybę, kad koeficiento įverčiai yra toliau nuo teisingos populiacijos vertės.
Heteroskedaziškumo pagrindai
Finansuose sąlyginis heteroskedaziškumas dažnai pastebimas akcijų ir obligacijų kainose. Bet kuriuo laikotarpiu negalima prognozuoti šių akcijų nepastovumo lygio. Besąlygiškas heteroskedaziškumas gali būti naudojamas aptariant kintamuosius, kurie turi sezoninį kintamumą, pvz., Elektros energijos suvartojimą.
Kadangi tai susiję su statistika, heteroskedaziškumas (taip pat rašytinis heteroskedaziškumas ) reiškia klaidų dispersiją arba sklaidos priklausomybę mažiausiai per vieną nepriklausomą kintamąjį tam tikroje imtyje. Šie svyravimai gali būti naudojami apskaičiuojant klaidų skirtumą tarp duomenų rinkinių, tokių kaip laukiami ir faktiniai rezultatai, nes jie parodo duomenų taškų nuokrypį nuo vidutinės vertės.
Kad duomenų rinkinys būtų laikomas tinkamu, dauguma duomenų taškų turi atitikti tam tikrą skaičių standartinių nuokrypių nuo vidurkio, aprašyto Čebiševo teoremoje, dar žinomoje kaip Čebiševo nelygybė. Tai pateikia gaires dėl atsitiktinio kintamojo, kuris skiriasi nuo vidurkio, tikimybės.
Remiantis nurodytu standartinių nuokrypių skaičiumi, atsitiktinis kintamasis turi ypatingą tikimybę egzistuoti tuose taškuose. Pavyzdžiui, gali būti reikalaujama, kad dviejų standartinių nuokrypių diapazonas sudarytų bent 75% duomenų taškų, kad būtų laikomas galiojančiu. Dažna priežastis, dėl kurios nukrypstama nuo minimalaus reikalavimo, dažnai siejama su duomenų kokybės problemomis.
Heteroskedastikos priešingybė yra homoskedastinė. Homoskedasticiškumas reiškia būklę, kai likutinio termino dispersija yra pastovi arba beveik tokia pati. Homoskedasticiškumas yra viena tiesinės regresijos modeliavimo prielaida. Homoskedasticiškumas rodo, kad regresijos modelis gali būti tiksliai apibrėžtas, tai reiškia, kad jis gerai paaiškina priklausomo kintamojo veikimą.
Heteroskedaziškumo tipai
Besąlygiška
Besąlyginis heteroskedaziškumas yra nuspėjamas ir dažniausiai susijęs su kintamaisiais, kurie yra ciklinio pobūdžio. Tai gali apimti didesnį mažmeninį pardavimą, apie kurį pranešama tradicinių atostogų apsipirkimo laikotarpiu, arba padidėjusį oro kondicionierių remonto skambučių skaičių šiltesniais mėnesiais.
Pokyčiai dispersijoje gali būti tiesiogiai susieti su tam tikrų įvykių ar prognozinių žymenų atsiradimu, jei poslinkiai nėra tradiciškai sezoniniai. Tai gali būti siejama su padidėjusiu išmaniųjų telefonų pardavimu išleidus naują modelį, nes veikla yra cikliška atsižvelgiant į įvykį, bet nebūtinai nustatoma pagal sezoną.
Sąlyginis
Sąlyginis heteroskedaziškumas iš prigimties nenuspėjamas. Nėra jokio įspėjamojo signalo, leidžiančio analitikams manyti, kad duomenys bet kuriuo metu bus daugiau ar mažiau išsklaidyti. Dažnai finansiniai produktai laikomi sąlygiškais heteroskedaziškumu, nes ne visus pokyčius galima priskirti tam tikriems įvykiams ar sezoniniams pokyčiams.
Ypatingos aplinkybės
Heteroskedaziškumas ir finansinis modeliavimas
Heteroskedaziškumas yra svarbi regresijos modeliavimo sąvoka, o investiciniame pasaulyje regresijos modeliai naudojami aiškinant vertybinių popierių ir investicinių portfelių efektyvumą. Labiausiai žinomas iš jų yra kapitalo turto kainų nustatymo modelis (CAPM), kuris paaiškina akcijų efektyvumą atsižvelgiant į jų kintamumą, palyginti su visa rinka. Išplečiant šį modelį, buvo įtraukti kiti numatomieji kintamieji, tokie kaip dydis, pagreitis, kokybė ir stilius (vertė ir augimas).
Šie numatomieji kintamieji buvo įtraukti, nes jie paaiškina priklausomojo kintamojo dispersiją arba paaiškina jo dispersiją. Portfelio našumą paaiškina CAPM. Pavyzdžiui, CAPM modelio kūrėjai žinojo, kad jų modelis nepaaiškino įdomios anomalijos: aukštos kokybės atsargos, kurios buvo mažiau nepastovios nei žemos kokybės atsargos, buvo linkusios veikti geriau, nei prognozavo CAPM. CAPM sako, kad didesnės rizikos atsargos turėtų būti pranašesnės už mažesnės rizikos atsargas. Kitaip tariant, didelio nepastovumo atsargos turėtų įveikti mažesnio nepastovumo atsargas. Tačiau aukštos kokybės atsargos, kurios yra mažiau nepastovios, buvo linkusios veikti geriau, nei prognozavo CAPM.
Vėliau kiti tyrėjai išplėtė CAPM modelį (kuris jau buvo išplėstas, kad apimtų ir kitus prognozuojančius kintamuosius, tokius kaip dydis, stilius ir pagreitis), kad apimtų kokybę kaip papildomą nuspėjamąjį kintamąjį, dar vadinamą „veiksniu“. Kadangi šis faktorius dabar įtrauktas į modelį, buvo atsižvelgta į mažo nepastovumo atsargų veiklos anomaliją. Šie modeliai, žinomi kaip kelių veiksnių modeliai, sudaro pagrindą investuoti į veiksnius ir išmaniąją beta versiją.
