هوموسکداستیسیتی چیست؟

هوموسکداستیسیتی (Homoskedasticity) یک وضعیت آماری در مدل‌های رگرسیون است که در آن واریانس خطا یا باقی‌مانده‌ها در تمام سطوح متغیر پیش‌بین ثابت باقی می‌ماند. این وضعیت نشان‌دهنده ثبات مدل است و کار با داده‌ها و تحلیل رگرسیون را آسان‌تر می‌کند.

هوموسکداستیک (همچنین با تلفظ homoscedastic) به حالتی گفته می‌شود که در آن واریانس باقی‌مانده‌ها در مدل رگرسیون ثابت است. به عبارت دیگر، خطاها با تغییر مقدار متغیر پیش‌بین تغییر زیادی نمی‌کنند و واریانس داده‌ها تقریباً برای همه نقاط یکسان است.

این ویژگی نشان‌دهنده سازگاری داده‌ها است و باعث می‌شود مدل رگرسیون بهتر تعریف شده باشد. نبود هوموسکداستیسیتی ممکن است نشان دهد که مدل نیاز دارد متغیرهای پیش‌بین بیشتری برای توضیح عملکرد متغیر وابسته اضافه شود.

نکات کلیدی

• هوموسکداستیسیتی زمانی رخ می‌دهد که واریانس خطا در مدل رگرسیون ثابت باشد.
• اگر واریانس خطا هوموسکداستیک باشد، مدل به‌خوبی تعریف شده است. اگر واریانس زیاد باشد، مدل ممکن است مناسب نباشد.
• افزودن متغیرهای پیش‌بین اضافی می‌تواند به توضیح بهتر عملکرد متغیر وابسته کمک کند.
• برعکس، هتروسکداستیسیتی (Heteroskedasticity) زمانی رخ می‌دهد که واریانس خطا ثابت نباشد.

عملکرد هوموسکداستیسیتی

هوموسکداستیسیتی یکی از فروض مدل رگرسیون خطی است و داده‌های دارای این ویژگی به خوبی با روش حداقل مربعات کار می‌کنند. اگر واریانس خطاها اطراف خط رگرسیون زیاد تغییر کند، مدل رگرسیون ممکن است ضعیف تعریف شده باشد.

مقابل هوموسکداستیسیتی، هتروسکداستیسیتی است که در آن واریانس خطا ثابت نیست.

مثال عملی

فرض کنید بخواهیم نمرات امتحان دانش‌آموزان را با زمان مطالعه هر دانش‌آموز توضیح دهیم. در اینجا نمره امتحان متغیر وابسته و زمان مطالعه متغیر پیش‌بین است.

خطا نشان‌دهنده میزان واریانسی است که توسط زمان مطالعه توضیح داده نمی‌شود. اگر این واریانس یکنواخت یا هوموسکداستیک باشد، مدل می‌تواند توضیح مناسبی برای عملکرد امتحان باشد.

اما ممکن است واریانس هتروسکداستیک باشد؛ مثلاً دانش‌آموزانی که زمان زیادی مطالعه کرده‌اند، نمرات بالایی دارند اما دانش‌آموزان کم‌مطالعه نمرات متفاوتی دارند و حتی برخی نمرات بالا کسب کرده‌اند.

این وضعیت نشان می‌دهد که واریانس نمرات تنها با یک متغیر پیش‌بین توضیح داده نمی‌شود و عوامل دیگری نیز تأثیر دارند. مدل رگرسیون نیاز به افزودن متغیرهای توضیحی دیگر دارد.

نکات مهم:

واریانس تفاوت بین نتیجه پیش‌بینی شده و نتیجه واقعی است. تعیین هوموسکداستیسیتی کمک می‌کند تا عوامل مؤثر بر داده‌ها بهتر شناسایی شوند.

مثال‌هایی از عوامل دیگر:

• برخی دانش‌آموزان پاسخ‌ها را از قبل دیده بودند.
• دانش‌آموزانی که قبلاً آزمون مشابه داده‌اند نیازی به مطالعه نداشتند.
• مهارت تست‌زنی مستقل از زمان مطالعه متفاوت بود.

با اضافه کردن این عوامل به مدل، واریانس خطا ممکن است هوموسکداستیک شود و مدل بهتر تعریف شود.

هتروسکداستیسیتی چیست؟

هتروسکداستیسیتی زمانی رخ می‌دهد که واریانس خطا وابسته به متغیر پیش‌بین باشد و استاندارد انحراف متغیر قابل پیش‌بینی ثابت نباشد.

چگونه هوموسکداستیک بودن رگرسیون را تشخیص دهیم؟

با مقایسه نسبت بزرگترین واریانس به کوچکترین واریانس می‌توان هوموسکداستیک بودن را سنجید. اگر این نسبت ≤ 1.5 باشد، رگرسیون هوموسکداستیک است.

اهمیت هوموسکداستیسیتی

هوموسکداستیسیتی کمک می‌کند اختلافات در یک جمعیت یا نمونه شناسایی شود. هر واریانس نابرابر می‌تواند نتایج تحلیل را منحرف یا بی‌ارزش کند.

جمع‌بندی

در مدل رگرسیون خطی، هوموسکداستیسیتی زمانی رخ می‌دهد که واریانس خطا ثابت باشد. این نشان می‌دهد مدل به‌خوبی تعریف شده و متغیر وابسته توسط متغیر پیش‌بین به‌طور مناسبی توضیح داده می‌شود.

اگر واریانس خطا زیاد باشد، مدل ضعیف تعریف شده و عوامل دیگری بر متغیر وابسته تأثیر دارند که باید با تحقیق یا مدل‌سازی بیشتر شناسایی شوند.