Yanıtlar:
Heterosedastisitenin sonuçları:
Sıradan en küçük kareler (OLS) tahmincisi hala tutarlıdır, ancak artık verimli değildir .
Tahmin nerede olduğu değil tutarlı tahmincisi tahmincisi kovaryans matrisi için artık. Hem taraflı hem de tutarsız olabilir. Ve pratikte, varyansı büyük ölçüde küçümseyebilir.
(1) noktası önemli bir konu olmayabilir; insanlar genellikle normal OLS tahmincisini kullanırlar. Ancak 2. noktaya değinilmelidir. Ne yapalım?
Heterosedansisite tutarlı standart hatalara ihtiyacınız vardır . Standart yaklaşım, büyük örnek varsayımlarına, asimptotik sonuçlara dayanmak ve kullanarak:
Bu heteroskedastisite tutarlı standart hatalar verir. Ayrıca Huber-White standart hataları, sağlam standart hatalar, "sandviç" tahmincisi, vb. Olarak da bilinir ... Herhangi bir temel standart istatistik paketi, sağlam standart hatalar için bir seçeneğe sahiptir. Kullanın!
Heteroskedastisite yeterince büyükse, düzenli OLS tahmini büyük pratik problemlere sahip olabilir. Hala tutarlı bir tahminci olsa da, tüm tahmininizin birkaç yüksek sapma gözlemiyle yönlendirildiği küçük örnek problemleriniz olabilir. (@ Seanv507 yorumlarda bunu ifade etmektedir). OLS tahmincisi yüksek varyans gözlemlerine optimalden daha fazla ağırlık vermesi bakımından verimsizdir. Tahmin son derece gürültülü olabilir.
Verimsizliği gidermeye çalışırken bir sorun, muhtemelen hata terimleri için kovaryans matrisini bilmemenizdir, bu nedenle hata terimi kovaryans matrisi tahmininiz çöp ise, GLS gibi bir şey kullanmak işleri daha da kötüleştirebilir.
Ayrıca, yukarıda verdiğim Huber-White standart hatalarının küçük örneklerde büyük sorunları olabilir. Bu konuda uzun bir literatür var. Örneğin. bkz. Imbens ve Kolesar (2016), "Küçük Örneklerde Sağlam Standart Hatalar: Bazı Pratik Öneriler."
Bu kendi kendine çalışma ise, dikkate alınması gereken bir sonraki pratik şey kümelenmiş standart hatalardır. Bunlar kümeler içindeki keyfi korelasyon için doğrudur.
Kısa cevap temelde modelinizin yanlış olması yani
Bu nedenle, varyans-kovaryans matrisini tahmin etmede hetero-esneklik problemleri olması durumunda, katsayılarda yanlış standart hatalara yol açar, bu da yanlış t-istatistiklerine ve p-değerlerine yol açar. Kısaca ifade etmek gerekirse, hata terimlerinizde sürekli bir fark yoksa sıradan en küçük kareler tahmin için en etkili yol değildir. Bu ilgili soruya bir göz atın .
"Değişen varyans", tahmin hatalarının gerçek standart sapmasını tahmin etmeyi zorlaştırır. Bu, çok geniş veya çok dar güven aralıklarına yol açabilir (özellikle, hataların sapması zaman içinde artarsa, örnek dışı tahminler için çok dar olacaktır).
Ayrıca, regresyon modeli bir veri alt kümesine çok fazla odaklanabilir.
İyi referans: Doğrusal regresyon varsayımlarının test edilmesi