در حالی که هتروسکداستیکی باعث سوگیری در برآورد ضرایب نمی شود، اما آنها را دقیق تر می کند. دقت کمتر این احتمال را افزایش می‌دهد که تخمین‌های ضریب بیشتر از مقدار جمعیت صحیح باشد.
چه مشکلاتی ایجاد می کند؟
هتروسکداستیکی عواقب جدی برای برآوردگر OLS دارد. اگرچه برآوردگر OLS بی طرف باقی می ماند، SE تخمین زده اشتباه است. به همین دلیل نمی توان به آزمون های فواصل اطمینان و فرضیه ها اعتماد کرد. علاوه بر این، برآوردگر OLS دیگر آبی نیست.
اگر ناهمگنی دارید چه کار می کنید؟
سه راه متداول برای رفع ناهمسانی وجود دارد:
- تغییر متغیر وابسته. یکی از راه‌های رفع ناهمسانی، تبدیل متغیر وابسته به نوعی است. …
- متغیر وابسته را دوباره تعریف کنید. راه دیگر برای رفع ناهمسانی، تعریف مجدد متغیر وابسته است. …
- از رگرسیون وزنی استفاده کنید.
آیا ناهمواری بر بی طرفی تأثیر می گذارد؟
ناهمسانی باعث تعریف نادرست مدل می شود و در صورت عدم در نظر گرفتن می تواند به پیش بینی ها آسیب برساند. اما در مواجهه با ناهمسانی، تخمین کمترین مربعات بی طرف باقی می ماند.
کدامیک از موارد در مورد ناهمگونی اسکداستیکی درست است؟
کدامیک از موارد در مورد ناهمسانی درست است؟ وجود واریانس غیر ثابت درعبارات خطا منجر به ناهمگونی اسکداستیکی می شود. به طور کلی، واریانس غیر ثابت به دلیل وجود مقادیر پرت یا اهرم شدید ایجاد می شود. برای جزئیات بیشتر در مورد تحلیل رگرسیون می توانید به این مقاله مراجعه کنید.
