Η ετεροσκεδαστικότητα είναι ένας στατιστικός όρος που χρησιμοποιείται για να περιγράψει τη συμπεριφορά της διακύμανσης και της τυπικής απόκλισης ενός δείγματος. Εάν η ποιότητα είναι παρούσα, τότε η διακύμανση και η τυπική απόκλιση της μεταβλητής δεν είναι σταθερές σε ολόκληρο το γράφημα των δεδομένων του δείγματος. Εάν αυτά τα μέτρα είναι σταθερά, τότε τα δεδομένα λέγονται ομοσκεδαστικά.
Η διακύμανση μιας μεταβλητής είναι ένα μέτρο για το πόσο διασκορπίζονται οι παρατηρούμενες τιμές από τη μέση ή τη μέση τιμή. Η τυπική απόκλιση είναι η τετραγωνική ρίζα της διακύμανσης και χρησιμοποιείται συχνά για να περιγράψει τις κατανομές. Σύμφωνα με τη σχέση που περιγράφεται από το θεώρημα του Chebyshev, ένα ορισμένο ποσοστό δεδομένων πρέπει να εμπίπτει σε κάθε τυπική απόκλιση από τη μέση τιμή. Για παράδειγμα, τουλάχιστον το 75 τοις εκατό των σημείων δεδομένων σε ένα δείγμα πρέπει να είναι εντός δύο τυπικών αποκλίσεων από τον μέσο όρο. Έτσι, η τυπική απόκλιση ενός δείγματος δίνει χονδρικές πληροφορίες για τη σχετική θέση κάθε σημείου δεδομένων.
Υπάρχουν δύο ποικιλίες ετεροσκεδαστικότητας: υπό όρους και άνευ όρων. Εάν τα δεδομένα είναι υπό όρους ετεροσκεδαστικά, οι αναλυτές δεν μπορούν να προβλέψουν πότε τα δεδομένα θα είναι πιο διάσπαρτα και πότε θα είναι λιγότερο διάσπαρτα. Αυτό ισχύει για τις τιμές των χρηματοπιστωτικών προϊόντων, συμπεριλαμβανομένων των μετοχών.
Η άνευ όρων ετεροσκεδαστικότητα είναι προβλέψιμη. Οι μεταβλητές που είναι κυκλικές από τη φύση τους εμφανίζουν συνήθως αυτήν την ιδιότητα. Οι μεταβλητές των οποίων η διακύμανση αλλάζει με το επίπεδό τους είναι επίσης άνευ όρων ετροσκεδαστικές. Για παράδειγμα, μπορείτε να προβλέψετε ότι εάν μπορείτε να κρατήσετε κάτι στο χέρι σας, μπορείτε να μετρήσετε το βάρος του με αρκετά μεγάλη ακρίβεια. μπορεί να είστε, το πολύ, μερικά κιλά ή κιλά μακριά. Εάν σας ζητηθεί να υπολογίσετε το βάρος ενός κτιρίου, ωστόσο, μπορεί να είστε λάθος κατά χιλιάδες λίβρες ή κιλά – η διακύμανση της εικασίας σας αυξάνεται, προβλέψιμα, με το βάρος του αντικειμένου.
Το αν υπάρχει ή όχι ετεροσκεδαστικότητα επηρεάζει τη σωστή ερμηνεία της στατιστικής ανάλυσης των δεδομένων. Η ποιότητα δεν επηρεάζει την παλινδρόμηση. Αυτό σημαίνει ότι οι μέθοδοι τοποθέτησης γραφημάτων με την καλύτερη εφαρμογή θα λειτουργούν εξίσου καλά τόσο με ετεροσκεδαστικά όσο και με ομοσκεδαστικά δεδομένα. Αυτά τα γραφήματα δημιουργούνται με την εύρεση των συντελεστών δεδομένων, οι οποίοι μετρούν πόσο μια συγκεκριμένη μεταβλητή επηρεάζει ένα αποτέλεσμα. Η ετεροσκεδαστικότητα παραμορφώνει τις τιμές της διακύμανσης των συντελεστών που επιστρέφουν τα μοντέλα.
Υπάρχει μια ποικιλία από μαθηματικά τεστ που μπορούν να καθορίσουν εάν υπάρχει ετεροσκεδαστικότητα σε ένα δείγμα μιας μεταβλητής. Πολλά από αυτά τα τεστ είναι διαθέσιμα σε λογισμικό ανάλυσης στατιστικών στοιχείων. Ένας παρατηρητής μπορεί επίσης να ανιχνεύσει ορισμένες περιπτώσεις ετεροσκεδαστικότητας κοιτάζοντας ένα γράφημα του δείγματος. Αναζητήστε περιοχές του γραφήματος που είναι διάσπαρτες περισσότερο ή λιγότερο. Είναι σημαντικό, ωστόσο, να γίνει διάκριση μεταξύ των πραγματικών διακυμάνσεων στην ποσότητα της διασποράς και των συστάδων που αναμένονται σε κατανομές που έχουν ένα στοιχείο τυχαίας.