Słownik metodologiczny · Regresja

Homoskedastyczność

Pełne wyjaśnienie, zastosowanie naukowe i praktyczne, przykład, dobre praktyki oraz gotowy zapis wyniku w APA 7.

Strona główna / Słownik / Homoskedastyczność

Opracowanie merytoryczne: · Opublikowano: · Aktualizacja:

Co oznacza Homoskedastyczność?

Homoskedastyczność oznacza stałą warunkową wariancję składnika losowego w zakresie wartości predyktorów.
Co odróżnia to pojęcie? Homoskedastyczność dotyczy stałości warunkowej wariancji składnika losowego lub reszt przy różnych wartościach predyktorów i przewidywań. Najczęściej ocenia się ją na wykresie reszt względem wartości dopasowanych. Lejkowaty rozrzut sugeruje heteroskedastyczność nawet wtedy, gdy proste wariancje kilku arbitralnie utworzonych grup wyglądają podobnie. Konsekwencją są głównie błędne błędy standardowe i przedziały.

Zastosowanie, warunki i dobre praktyki

Najważniejsze zastosowanie: Sprawdzaj stałość wariancji reszt w zakresie przewidywań, a przy wzorcu lejka rozważ odporne błędy standardowe lub inny model.

W regresji oceniaj rozrzut reszt względem wartości przewidywanych i najważniejszych predyktorów. Lejkowaty wzorzec nie musi zniekształcać samych współczynników, ale może unieważniać klasyczne błędy standardowe; rozważ wtedy błędy odporne, transformację albo model wariancji.

Jak poprawnie stosować i interpretować hasło „Homoskedastyczność”?

Przy ocenie pojęcia „Homoskedastyczność” nie wystarcza mechaniczne porównanie jednej liczby z progiem. W odniesieniu do hasła „Homoskedastyczność” trzeba ustalić, którego elementu modelu dotyczy diagnostyka — surowej zmiennej, reszt, wariancji, macierzy korelacji czy struktury pomiarów — i jaki błąd może spowodować naruszenie. Przy ocenie hasła „Homoskedastyczność” wykres zwykle pokazuje kierunek oraz lokalizację problemu lepiej niż sam test formalny.

Znaczenie pojęcia „Homoskedastyczność” zależy od liczebności: przy dużej próbie test może reagować na drobne odchylenia, a przy małej nie mieć mocy do wykrycia ważnego problemu. Dlatego w analizie hasła „Homoskedastyczność” decyzję opiera się na rozmiarze i wzorcu naruszenia, odporności wybranego estymatora oraz analizie wrażliwości z alternatywną procedurą.

Co trzeba opisać w raporcie?

W raporcie dotyczącym „Homoskedastyczność” należy podać, co dokładnie oceniono, za pomocą jakiej diagnostyki i jaki był skutek tej oceny dla dalszej analizy. W odniesieniu do hasła „Homoskedastyczność” zamiast zdania „założenia spełniono” lepiej wskazać wykres lub statystykę, zauważone odchylenie oraz zastosowaną korektę, wariant odporny albo uzasadnienie pozostawienia modelu.

Zakres raportowania dla hasła „Homoskedastyczność”: Podaj sposób diagnostyki i ewentualne odporne SE/test Welcha.

Przykład praktyczny i gotowa interpretacja

Sytuacja: Na wykresie reszt rozrzut rósł wraz z wartością przewidywaną, tworząc lejek. Zastosowano odporne błędy standardowe i porównano przedziały.

Jak ją zinterpretować: Stały rozrzut reszt oznacza podobną precyzję modelu w całym zakresie przewidywań. Wzorzec lejka wskazuje, że klasyczne błędy standardowe mogą być mylące i trzeba rozważyć estymację odporną albo inną postać modelu.

Najczęstsza pułapka i granica interpretacji

Sam test formalny może przeoczyć kształt problemu; wykres reszt pokazuje, gdzie zmienia się wariancja.

Wynik dotyczący „Homoskedastyczność” jest informacją diagnostyczną, a nie samodzielnym werdyktem o poprawności całego badania. W analizie dotyczącej hasła „Homoskedastyczność” usunięcie obserwacji lub zmiana metody wymaga przyczyny merytorycznej i udokumentowanej analizy wrażliwości.

Definicje, zalecenia interpretacyjne i sposób raportowania oparto na literaturze metodologicznej wskazanej w bibliografii (Collins et al., 2024).

Powiązane hasła

Reszty regresjiData miningDummy codingEkonometriaHeterogeniczność wariancjiHomogeniczność wariancji

Poradniki, w których użyjesz tego pojęcia

Poradnik

Wartość p: co naprawdę oznacza i jak ją poprawnie interpretować

Wartość p bez mitów: definicja, interpretacja, typowe błędy oraz sposób raportowania wraz z wielkością efektu i przedziałem ufności.

Czytaj →Poradnik

Regresja logistyczna: założenia, interpretacja i raportowanie modelu

Regresja logistyczna w praktyce: założenia, iloraz szans, diagnostyka, kalibracja, AUC oraz zasady rzetelnego raportowania modelu.

Czytaj →Poradnik

Modelowanie równań strukturalnych (SEM): od teorii do raportu

SEM bez skrótów myślowych: model pomiarowy i strukturalny, CB-SEM a PLS-SEM, dopasowanie, założenia oraz raportowanie wyników.

Czytaj →

Potrzebujesz wsparcia w analizie danych?

Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.

Oferta dla badaczyOferta dla studentów

Bibliografia i dalsza literatura naukowa (APA 7)

  1. Collins, G. S., Moons, K. G. M., Dhiman, P., Riley, R. D., Beam, A. L., Van Calster, B., Ghassemi, M., Liu, X., Reitsma, J. B., van Smeden, M., Boulesteix, A.-L., Camaradou, J. C., Celi, L. A., Denaxas, S., Denniston, A. K., Glocker, B., Golub, R. M., Harvey, H., Heinze, G., … Logullo, P. (2024). TRIPOD+AI statement: Updated guidance for reporting clinical prediction models. BMJ, 385, e078378. https://doi.org/10.1136/bmj-2023-078378
  2. Peduzzi, P., Concato, J., Kemper, E., Holford, T. R., & Feinstein, A. R. (1996). A simulation study of the number of events per variable in logistic regression analysis. Journal of Clinical Epidemiology, 49(12), 1373–1379. https://doi.org/10.1016/S0895-4356(96)00236-3
  3. Lang, T. A., & Altman, D. G. (2015). Basic statistical reporting for articles published in biomedical journals: The SAMPL guidelines. International Journal of Nursing Studies, 52(1), 5–9. https://doi.org/10.1016/j.ijnurstu.2014.09.006
  4. Lakens, D. (2022). Sample size justification. Collabra: Psychology, 8(1), 33267. https://doi.org/10.1525/collabra.33267
  5. Appelbaum, M., Cooper, H., Kline, R. B., Mayo-Wilson, E., Nezu, A. M., & Rao, S. M. (2018). Journal article reporting standards for quantitative research in psychology: The APA Publications and Communications Board task force report. American Psychologist, 73(1), 3–25. https://doi.org/10.1037/amp0000191
  6. Wilkinson, L., & Task Force on Statistical Inference. (1999). Statistical methods in psychology journals: Guidelines and explanations. American Psychologist, 54(8), 594–604. https://doi.org/10.1037/0003-066X.54.8.594

Cytowania BibTeX

@article{collins2024tripod, author={Collins, Gary S. and Moons, Karel G. M. and Dhiman, Paula and Riley, Richard D. and Beam, Andrew L. and Van Calster, Ben and Ghassemi, Marzyeh and Liu, Xiaoxuan and Reitsma, Johannes B. and van Smeden, Maarten and Boulesteix, Anne-Laure and Camaradou, Jennifer Catherine and Celi, Leo Anthony and Denaxas, Spiros and Denniston, Alastair K. and Glocker, Ben and Golub, Robert M. and Harvey, Hugh and Heinze, Georg and Hoffman, Michael M. and Kengne, André Pascal and Lam, Emily and Lee, Naomi and Loder, Elizabeth W. and Maier-Hein, Lena and Mateen, Bilal A. and McCradden, Melissa D. and Oakden-Rayner, Lauren and Ordish, Johan and Parnell, Richard and Rose, Sherri and Singh, Karandeep and Wynants, Laure and Logullo, Patricia}, title={TRIPOD+AI statement: updated guidance for reporting clinical prediction models}, journal={BMJ}, year={2024}, volume={385}, pages={e078378}, doi={10.1136/bmj-2023-078378}}
@article{peduzzi1996epv, author={Peduzzi, Peter and Concato, John and Kemper, Elizabeth and Holford, Theodore R. and Feinstein, Alvan R.}, title={A simulation study of the number of events per variable in logistic regression analysis}, journal={Journal of Clinical Epidemiology}, year={1996}, volume={49}, number={12}, pages={1373--1379}, doi={10.1016/S0895-4356(96)00236-3}}
@article{lang2015sampl, author={Lang, Thomas A. and Altman, Douglas G.}, title={Basic statistical reporting for articles published in biomedical journals: the SAMPL guidelines}, journal={International Journal of Nursing Studies}, year={2015}, volume={52}, number={1}, pages={5--9}, doi={10.1016/j.ijnurstu.2014.09.006}}
@article{lakens2022sample, author={Lakens, Daniël}, title={Sample size justification}, journal={Collabra: Psychology}, year={2022}, volume={8}, number={1}, pages={33267}, doi={10.1525/collabra.33267}}
@article{appelbaum2018jars, author={Appelbaum, Mark and Cooper, Harris and Kline, Rex B. and Mayo-Wilson, Evan and Nezu, Arthur M. and Rao, Stephen M.}, title={Journal article reporting standards for quantitative research in psychology}, journal={American Psychologist}, year={2018}, volume={73}, number={1}, pages={3--25}, doi={10.1037/amp0000191}}
@article{wilkinson1999statistical, author={Wilkinson, Leland and {Task Force on Statistical Inference}}, title={Statistical methods in psychology journals: Guidelines and explanations}, journal={American Psychologist}, year={1999}, volume={54}, number={8}, pages={594--604}, doi={10.1037/0003-066X.54.8.594}}
R