Η ετεροσκεδαστικότητα στην παλινδρόμηση εμφανίζεται όταν η διακύμανση των σφαλμάτων δεν παραμένει σταθερή σε όλο το μοντέλο. Η κλασική γραμμική παλινδρόμηση υποθέτει ομοσκεδαστικότητα. Αυτό σημαίνει ότι τα σφάλματα παρουσιάζουν περίπου σταθερή διασπορά για διαφορετικές προβλεπόμενες τιμές. Όταν η διασπορά αλλάζει συστηματικά, τα συνηθισμένα τυπικά σφάλματα μπορεί να γίνουν αναξιόπιστα. Για αυτό η διάγνωση πρέπει να προηγείται της τελικής ερμηνείας των τιμών p.
Περιεχόμενα άρθρου
1. Τι είναι η ετεροσκεδαστικότητα στην παλινδρόμηση;
Στη γραμμική παλινδρόμηση κάθε παρατήρηση έχει μια πραγματική και μια προβλεπόμενη τιμή. Η διαφορά τους ονομάζεται κατάλοιπο.
Τα κατάλοιπα χρησιμοποιούνται για να εξετάσουμε αν το μοντέλο συμπεριφέρεται όπως απαιτούν οι βασικές προϋποθέσεις.
Μία από αυτές είναι η ομοσκεδαστικότητα. Η διακύμανση των σφαλμάτων πρέπει να παραμένει σταθερή για διαφορετικά επίπεδα των προβλεπτικών παραγόντων.
Αν η διακύμανση αυξάνεται ή μειώνεται συστηματικά, εμφανίζεται ετεροσκεδαστικότητα.
Υπόθεσε ότι προβλέπεις ετήσια κατανάλωση από το εισόδημα. Στα χαμηλά εισοδήματα οι παρατηρήσεις μπορεί να βρίσκονται κοντά στη γραμμή παλινδρόμησης.
Στα υψηλότερα εισοδήματα μπορεί να εμφανίζεται πολύ μεγαλύτερη διασπορά. Το εύρος των καταλοίπων τότε αυξάνεται μαζί με την προβλεπόμενη τιμή.
Το συγκεκριμένο μοτίβο εμφανίζεται συχνά σε οικονομικά δεδομένα. Μπορεί όμως να παρουσιαστεί σε οποιοδήποτε πεδίο χρησιμοποιεί γραμμική παλινδρόμηση.
Η ετεροσκεδαστικότητα δεν πρέπει να συγχέεται με τη μη κανονικότητα. Πρόκειται για διαφορετική προϋπόθεση του μοντέλου.
Δεν είναι επίσης το ίδιο με την αυτοσυσχέτιση. Εκεί το πρόβλημα αφορά την εξάρτηση μεταξύ των σφαλμάτων διαφορετικών παρατηρήσεων.
Για το γενικό πλαίσιο μπορείς να δεις την πολλαπλή παλινδρόμηση στο SPSS.
2. Πώς εντοπίζεται η ετεροσκεδαστικότητα από το διάγραμμα καταλοίπων;
Το διάγραμμα καταλοίπων αποτελεί ένα από τα πρώτα εργαλεία διάγνωσης. Συνήθως συγκρίνουμε κατάλοιπα και προβλεπόμενες τιμές.
Στο SPSS μπορείς να χρησιμοποιήσεις τα τυποποιημένα κατάλοιπα και τις τυποποιημένες προβλεπόμενες τιμές.
Κατά την εκτέλεση της γραμμικής παλινδρόμησης επίλεξε την ενότητα διαγραμμάτων. Τοποθέτησε το *ZRESID στον κατακόρυφο άξονα.
Στον οριζόντιο άξονα τοποθέτησε το *ZPRED. Το αποτέλεσμα είναι ένα διάγραμμα διασποράς των τυποποιημένων καταλοίπων.
Σε ένα κατάλληλο διάγραμμα τα σημεία σχηματίζουν περίπου τυχαίο νέφος γύρω από το μηδέν.
Η κάθετη διασπορά πρέπει να παραμένει σχετικά σταθερή από την αριστερή έως τη δεξιά πλευρά του διαγράμματος.
Ένα σχήμα που ανοίγει σταδιακά σαν χωνί αποτελεί συνηθισμένη ένδειξη ετεροσκεδαστικότητας.
Για παράδειγμα, τα κατάλοιπα μπορεί αρχικά να κυμαίνονται μεταξύ -1 και 1. Στη συνέχεια μπορεί να εκτείνονται μεταξύ -3 και 3.
Αυτό δείχνει ότι η μεταβλητότητα των σφαλμάτων αυξάνεται όσο αυξάνονται οι προβλεπόμενες τιμές.
Το αντίστροφο μοτίβο μπορεί επίσης να εμφανιστεί. Η διασπορά μπορεί να είναι μεγάλη αρχικά και να μειώνεται αργότερα.
Μια καμπύλη στο διάγραμμα δεν αποτελεί απαραίτητα ετεροσκεδαστικότητα. Μπορεί να δείχνει ότι η πραγματική σχέση δεν είναι γραμμική.
Για αυτό δεν πρέπει να χαρακτηρίζουμε κάθε μη τυχαίο μοτίβο ως πρόβλημα διακύμανσης.
Αν χρειάζεσαι συνολικότερη εικόνα για την επιλογή ανάλυσης, μπορείς να επισκεφθείς την αρχική σελίδα.
3. Πώς ελέγχεται επίσημα η ετεροσκεδαστικότητα στην παλινδρόμηση;
Το διάγραμμα προσφέρει σημαντική οπτική πληροφορία. Μπορείς όμως να συμπληρώσεις την εξέταση με έναν επίσημο στατιστικό έλεγχο.
Ένας γνωστός έλεγχος είναι ο Breusch-Pagan. Η μηδενική υπόθεση υποστηρίζει ότι η διακύμανση των σφαλμάτων παραμένει σταθερή.
Η εναλλακτική υπόθεση υποστηρίζει ότι η διακύμανση συνδέεται συστηματικά με έναν ή περισσότερους προβλεπτικούς παράγοντες.
Αν λάβεις p μικρότερο από 0,05, απορρίπτεις συνήθως τη μηδενική υπόθεση στο αντίστοιχο επίπεδο σημαντικότητας.
Το αποτέλεσμα τότε παρέχει ένδειξη ετεροσκεδαστικότητας. Δεν σου εξηγεί όμως από μόνο του ποια είναι η αιτία του προβλήματος.
Ο έλεγχος White αποτελεί μια πιο γενική διαδικασία. Μπορεί να εντοπίσει πιο σύνθετες μορφές μη σταθερής διακύμανσης.
Και εδώ η μηδενική υπόθεση αφορά την ομοσκεδαστικότητα. Μικρή τιμή p παρέχει ένδειξη εναντίον αυτής της υπόθεσης.
Η επίσημη τεκμηρίωση της Stata για την ετεροσκεδαστικότητα παρουσιάζει τους ελέγχους Breusch-Pagan και White. Παρουσιάζει επίσης τη χρήση διαγραμμάτων για τη διάγνωση.
Δεν χρειάζεται να βασιστείς σε έναν μόνο στατιστικό έλεγχο. Ένα μεγάλο δείγμα μπορεί να εντοπίσει ακόμη και μικρές αποκλίσεις.
Αντίθετα, ένας έλεγχος σε μικρό δείγμα μπορεί να μην έχει αρκετή ισχύ για να εντοπίσει πραγματικό πρόβλημα.
Για αυτό εξετάζουμε το διάγραμμα μαζί με τον επίσημο έλεγχο. Λαμβάνουμε επίσης υπόψη τη δομή των δεδομένων.
4. Τι προβλήματα προκαλεί η ετεροσκεδαστικότητα και πώς αντιμετωπίζεται;
Η ετεροσκεδαστικότητα στην παλινδρόμηση δεν κάνει αυτομάτως μεροληπτικούς τους συντελεστές της μεθόδου ελαχίστων τετραγώνων.
Αυτό ισχύει όταν οι υπόλοιπες κρίσιμες υποθέσεις του μοντέλου παραμένουν κατάλληλες.
Το βασικό πρόβλημα αφορά τα συμβατικά τυπικά σφάλματα. Αυτά μπορεί να υπολογίζονται λανθασμένα όταν η διακύμανση δεν είναι σταθερή.
Αν τα τυπικά σφάλματα είναι λανθασμένα, επηρεάζονται οι έλεγχοι t. Επηρεάζονται επίσης οι τιμές p και τα διαστήματα εμπιστοσύνης.
Ένας παράγοντας μπορεί έτσι να φαίνεται στατιστικά σημαντικός ενώ η πραγματική αβεβαιότητα είναι μεγαλύτερη.
Η πρώτη αντίδραση δεν πρέπει να είναι η διαγραφή παρατηρήσεων. Πρέπει πρώτα να εξετάσεις γιατί εμφανίζεται το μοτίβο.
Μερικές φορές η ετεροσκεδαστικότητα αποτελεί ένδειξη λανθασμένης εξειδίκευσης. Μπορεί να έχει παραλειφθεί μια σημαντική μεταβλητή.
Μπορεί επίσης η σχέση να χρειάζεται διαφορετική μαθηματική μορφή. Σε τέτοια περίπτωση διορθώνεις το μοντέλο και όχι μόνο τα τυπικά σφάλματα.
Μία συνηθισμένη λύση είναι η χρήση ανθεκτικών τυπικών σφαλμάτων. Αυτά προσαρμόζουν τη στατιστική συμπερασματολογία στη μη σταθερή διακύμανση.
Οι εκτιμώμενοι συντελεστές μπορούν να παραμείνουν ίδιοι. Αλλάζουν όμως τα τυπικά σφάλματα και επομένως μπορούν να αλλάξουν οι τιμές p.
Σε ορισμένες περιπτώσεις χρησιμοποιείται μετασχηματισμός της εξαρτημένης μεταβλητής. Για παράδειγμα, ένας λογαριθμικός μετασχηματισμός μπορεί να σταθεροποιήσει τη διακύμανση.
Ο μετασχηματισμός πρέπει να έχει και ερμηνευτικό νόημα. Δεν πρέπει να εφαρμόζεται μηχανικά μόνο για να βελτιωθεί ένα διάγραμμα.
Όταν μπορούμε να μοντελοποιήσουμε τη μεταβολή της διακύμανσης, μπορεί να χρησιμοποιηθεί σταθμισμένη μέθοδος ελαχίστων τετραγώνων.
Η επιλογή λύσης εξαρτάται επομένως από την αιτία και τη μορφή του προβλήματος.
5. Πώς παρουσιάζεται η ετεροσκεδαστικότητα στην παλινδρόμηση μιας πτυχιακής;
Στη μεθοδολογία εξήγησε πρώτα ότι ελέγχθηκε η υπόθεση της ομοσκεδαστικότητας των καταλοίπων.
Αν χρησιμοποίησες διάγραμμα, δήλωσε ποιες μεταβλητές τοποθετήθηκαν στους δύο άξονες.
Μπορείς να γράψεις ότι εξετάστηκε το διάγραμμα τυποποιημένων καταλοίπων έναντι τυποποιημένων προβλεπόμενων τιμών.
Στη συνέχεια περιέγραψε τι παρατηρήθηκε. Απόφυγε γενικές διατυπώσεις όπως «το διάγραμμα ήταν καλό».
Πιο συγκεκριμένα μπορείς να αναφέρεις ότι δεν παρατηρήθηκε συστηματική αύξηση της διασποράς των καταλοίπων.
Αν χρησιμοποίησες Breusch-Pagan, γράψε τη μηδενική υπόθεση και την τιμή p του ελέγχου.
Για παράδειγμα, p = 0,42 σημαίνει ότι δεν απορρίπτεις την υπόθεση σταθερής διακύμανσης στο επίπεδο 0,05.
Μην γράψεις όμως ότι «αποδείχθηκε η ομοσκεδαστικότητα». Η μη απόρριψη δεν αποδεικνύει ότι η υπόθεση είναι απόλυτα σωστή.
Αν p = 0,003, υπάρχει στατιστική ένδειξη ετεροσκεδαστικότητας. Τότε πρέπει να εξηγήσεις πώς αντιμετώπισες το πρόβλημα.
Αν χρησιμοποίησες ανθεκτικά τυπικά σφάλματα, δήλωσέ το καθαρά. Η πληροφορία επηρεάζει τον τρόπο ερμηνείας των τελικών ελέγχων.
Μην αποκρύπτεις το αρχικό πρόβλημα επειδή εφαρμόστηκε διόρθωση. Η διαφάνεια επιτρέπει στον αναγνώστη να κατανοήσει την αναλυτική διαδικασία.
Αν το διάγραμμα δείχνει και μη γραμμικότητα, εξέτασε το μοντέλο συνολικά. Η ετεροσκεδαστικότητα μπορεί να μην είναι το μοναδικό ζήτημα.
Η ετεροσκεδαστικότητα στην παλινδρόμηση πρέπει επομένως να αντιμετωπίζεται ως διαγνωστικό ζήτημα και όχι ως τυπικό κουτάκι ελέγχου.
Για σχετικό παράδειγμα εφαρμογής μπορείς να δεις την παλινδρόμηση σε διπλωματική εργασία.
Για πιο εξειδικευμένη υποστήριξη μπορείς επίσης να δεις τη σελίδα για στατιστικές αναλύσεις.
Χρειάζεσαι βοήθεια με τη στατιστική ανάλυση;
Αν χρειάζεσαι βοήθεια με τη στατιστική ανάλυση της πτυχιακής σου, στείλε το αρχείο δεδομένων. Στείλε επίσης τα ερευνητικά ερωτήματα και ό,τι άλλο έχεις στη διάθεσή σου.
Μπορείς να συμβουλευτείς τις ενδεικτικές τιμές για μια πρώτη εικόνα. Η τελική κοστολόγηση εξαρτάται από τα δεδομένα. Εξαρτάται επίσης από την πολυπλοκότητα της απαιτούμενης ανάλυσης.
Για συγκεκριμένη εκτίμηση, συμπλήρωσε τη φόρμα κοστολόγησης και επισύναψε τα διαθέσιμα αρχεία. Αν χρειάζεσαι πρώτα διευκρίνιση, μπορείς να επικοινωνήσεις μαζί μας.