To see the desired glossary, please select the language and then the field of expertise.

    Home
    • English
      • Search
        • Term
          • heteroskedasticity
        • Additional fields of expertise
        • Definition(s)
          • In statistics, heteroskedasticity (or heteroscedasticity) happens when the standard errors of a variable, monitored over a specific amount of time, are non-constant. With heteroskedasticity, the tell-tale sign upon visual inspection of the residual errors is that they will tend to fan out over time Investopedia
        • Example sentence(s)
          • Most real world data will probably be heteroskedastic. However, one can still use ordinary least squares without correcting for heteroskedasticity because if the sample size is large enough, the variance of the least squares estimator may still be sufficiently small to obtain precise estimates. - Methods for Detecting and Resolving... by
          • Heteroskedasticity can also occur if there are subpopulation differences or other interaction effects (e.g. the effect of income on expenditures differs for whites and blacks). (Again, the problem arises from violation of the assumption that no such differences exist or have already been incorporated into the model.) - Richard Williams, Univ. of Notre Dame by
          • If heteroskedasticity does not cause bias or inconsistency in he OLS estimators, why did we introduce it as one of the Gauss-Markov assumptions? - Hedibert by
    Compare [close]
    • Persian (Farsi)
      • Search
        • Term
          • ناهم‌واریانسی
        • Additional fields of expertise
        • Definition(s)
          • در آمار دنباله‌ای، متغیرهای تصادفی که دارای واریانس‌های متفاوتی باشد ناهم‌واریانس نامیده می‌شود. در مقابل به یک دنباله از متغیرهای تصادفی واریانس همسان می‌گویند اگر دارای واریانس ثابتی باشند. wikipedia - by Marzieh Izadi
        • Example sentence(s)
          • بایستی توجه داشت که با وجود مشکل واریانس ناهمسانی برآوردهای ما از ضرایب به کمک روش حداقل مربعات همچنان بدون تورش باقی می‌ماند. اما واریانس برآورد شده با روش حداقل مربعات برای ضرایب در این شرایط تورش دار خواهد بود. یعنی در این شرایط واریانس برآوردی ضرایب مقادیری بیشتر یا کمتر از واریانس حقیقی جامعه را ارائه می‌دهد. از این‌رو استنتاج‌هایی که به روش حداقل مربعات در این شرایط صورت می‌گیرد ممکن است صحیح نباشد. به عنوان مثال فرض کنیم واریانس بر آورد شده مقداری کوچکتر از واریانس جامعه را ارائه دهد در این صورت مقداری که برای آمارهٔ تی محاسبه می‌شود مقدار بزرگتری از مقدار واقعی آماره را نمایان می‌سازد و این امکان را ایجاد می‌کند که به‌شکل غیرواقعی مقدار آماره در ناحیهٔ بحرانی قرار بگیرد. و از این‌رو فرضیه صفر که دلالت بر معنادار نبودن ضریب برآورد شده دارد رد می‌گردد، حال آنکه ممکن است ضریب مذکور بی معنا بوده باشد. از دیگر نتایجی که واریانس ناهمسانی بهمراه دارد عدم اعتبار فاصلهٔ اطمینان می‌باشد. از آنجا که برآورد صحیحی از واریانس نداریم طبیعتاً فاصلهٔ اطمینان نیز که بر اساس این واریانس ساخته می‌شود قابل اعتماد نیست. همچنین در این شرایط آزمون‌های معنا داری ضرایب همانند آزمون اف یا آزمون ال-ام نتایج صحیحی را حاصل نمی‌کنند. - wiki by Marzieh Izadi
        • Related KudoZ question
  • Compare this term in: Serbian, Albanian, Bulgarian, German, Greek, Spanish, French, Italian, Korean, Polish, Portuguese, Russian, Ukrainian

The glossary compiled from Glossary-building KudoZ is made available openly under the Creative Commons "By" license (v3.0). By submitting this form, you agree to make your contribution available to others under the terms of that license.

Creative Commons License