హెటెరోస్కెడాస్టిసిటీ అంటే ఏమిటి?
గణాంకాలలో, వేరియబుల్ యొక్క ప్రామాణిక లోపాలు, ఒక నిర్దిష్ట సమయాన్ని పర్యవేక్షిస్తే, స్థిరంగా లేనప్పుడు హెటెరోస్కెడాస్టిసిటీ (లేదా హెటెరోస్సెడాస్టిసిటీ) జరుగుతుంది. భిన్నమైన లోపాల యొక్క దృశ్య తనిఖీపై చెప్పండి-చెప్పే సంకేతం ఏమిటంటే, అవి క్రింద ఉన్న చిత్రంలో చిత్రీకరించినట్లుగా, కాలక్రమేణా అభిమానిస్తాయి.
హేటెరోస్కెడాస్టిసిటీ తరచుగా రెండు రూపాల్లో పుడుతుంది: షరతులతో కూడిన మరియు బేషరతుగా. అధిక మరియు తక్కువ అస్థిరత యొక్క భవిష్యత్తు కాలాలను గుర్తించలేనప్పుడు షరతులతో కూడిన భిన్నస్థితి అస్థిరతను గుర్తిస్తుంది. అధిక మరియు తక్కువ అస్థిరత యొక్క భవిష్యత్ కాలాలను గుర్తించగలిగినప్పుడు షరతులు లేని హెటెరోస్కెడాస్టిసిటీ ఉపయోగించబడుతుంది.
చిత్రం జూలీ బ్యాంగ్ © ఇన్వెస్టోపీడియా 2019
కీ టేకావేస్
- గణాంకాలలో, ఒక వేరియబుల్ యొక్క ప్రామాణిక లోపాలు, ఒక నిర్దిష్ట సమయానికి పర్యవేక్షించబడినప్పుడు, స్థిరంగా లేనప్పుడు హెటెరోస్కెడాస్టిసిటీ (లేదా హెటెరోస్సెడాస్టిసిటీ) జరుగుతుంది. హెటెరోస్కెడాస్టిసిటీతో, అవశేష లోపాల దృశ్య తనిఖీపై చెప్పండి-కథ సంకేతం అవి ఉంటాయి. దిగువ చిత్రంలో చిత్రీకరించినట్లుగా, కాలక్రమేణా అభిమానించడం. హెటెరోస్కెడాస్టిసిటీ అనేది లీనియర్ రిగ్రెషన్ మోడలింగ్ యొక్క of హల ఉల్లంఘన, కాబట్టి ఇది ఎకోనొమెట్రిక్ విశ్లేషణ లేదా CAPM వంటి ఆర్థిక నమూనాల ప్రామాణికతను ప్రభావితం చేస్తుంది.
వైవిధ్య గుణకం గుణకం అంచనాలలో పక్షపాతానికి కారణం కానప్పటికీ, అది వాటిని తక్కువ ఖచ్చితమైనదిగా చేస్తుంది; తక్కువ ఖచ్చితత్వం గుణకం అంచనాలు సరైన జనాభా విలువ నుండి వచ్చే అవకాశం పెరుగుతుంది.
ది బేసిక్స్ ఆఫ్ హెటెరోస్కెడాస్టిసిటీ
ఫైనాన్స్‌లో, స్టాక్స్ మరియు బాండ్ల ధరలలో షరతులతో కూడిన హెటెరోస్కెడాస్టిసిటీ తరచుగా కనిపిస్తుంది. ఈ ఈక్విటీల అస్థిరత స్థాయిని ఏ కాలంలోనైనా cannot హించలేము. విద్యుత్ వినియోగం వంటి గుర్తించదగిన కాలానుగుణ వైవిధ్యాలను కలిగి ఉన్న వేరియబుల్స్ గురించి చర్చించేటప్పుడు షరతులు లేని హెటెరోస్కెడాస్టిసిటీని ఉపయోగించవచ్చు.
ఇది గణాంకాలకు సంబంధించినది కాబట్టి, హెటెరోస్కెడాస్టిసిటీ (హెటెరోస్సెడాస్టిసిటీ అని కూడా పిలుస్తారు ) ఒక నిర్దిష్ట నమూనాలో కనీసం ఒక స్వతంత్ర చరరాశిలో లోపం వ్యత్యాసం లేదా వికీర్ణంపై ఆధారపడటం సూచిస్తుంది. ఈ వ్యత్యాసాలు data హించిన ఫలితాలు మరియు వాస్తవ ఫలితాల వంటి డేటా సెట్ల మధ్య లోపం యొక్క మార్జిన్‌ను లెక్కించడానికి ఉపయోగపడతాయి, ఎందుకంటే ఇది సగటు విలువ నుండి డేటా పాయింట్ల విచలనం యొక్క కొలతను అందిస్తుంది.
డేటాసెట్ సంబంధితంగా పరిగణించబడాలంటే, చెబిషెవ్ యొక్క సిద్ధాంతం వివరించినట్లుగా, చెబిషెవ్ యొక్క అసమానత అని కూడా పిలువబడే డేటా పాయింట్లలో ఎక్కువ భాగం సగటు నుండి ప్రామాణిక వ్యత్యాసాల సంఖ్యలో ఉండాలి. ఇది సగటు నుండి భిన్నమైన యాదృచ్ఛిక వేరియబుల్ యొక్క సంభావ్యతకు సంబంధించిన మార్గదర్శకాలను అందిస్తుంది.
పేర్కొన్న ప్రామాణిక విచలనాల సంఖ్య ఆధారంగా, యాదృచ్ఛిక వేరియబుల్ ఆ పాయింట్లలో ఉన్న నిర్దిష్ట సంభావ్యతను కలిగి ఉంటుంది. ఉదాహరణకు, రెండు ప్రామాణిక విచలనాల శ్రేణి చెల్లుబాటు అయ్యేదిగా పరిగణించబడే డేటా పాయింట్లలో కనీసం 75% కలిగి ఉండాలి. కనీస అవసరానికి వెలుపల ఉన్న వ్యత్యాసాల యొక్క సాధారణ కారణం తరచుగా డేటా నాణ్యత సమస్యలకు ఆపాదించబడుతుంది.
హెటెరోస్కెడాస్టిక్ యొక్క వ్యతిరేకత హోమోస్కెడాస్టిక్. హోమోస్కెడాస్టిసిటీ అనేది అవశేష పదం యొక్క వైవిధ్యం స్థిరంగా లేదా దాదాపుగా ఉండే పరిస్థితిని సూచిస్తుంది. లీనియర్ రిగ్రెషన్ మోడలింగ్ యొక్క ఒక is హ హోమోస్కెడాస్టిసిటీ. రిగ్రెషన్ మోడల్ బాగా నిర్వచించబడిందని హోమోస్కెడాస్టిసిటీ సూచిస్తుంది, అనగా ఇది డిపెండెంట్ వేరియబుల్ యొక్క పనితీరుకు మంచి వివరణను అందిస్తుంది.
రకాలు హెటెరోస్కెడాస్టిసిటీ
షరతులు
షరతులు లేని హెటెరోస్కెడాస్టిసిటీ able హించదగినది, మరియు చాలా తరచుగా స్వభావంతో చక్రీయమైన వేరియబుల్స్‌తో సంబంధం కలిగి ఉంటుంది. సాంప్రదాయ హాలిడే షాపింగ్ వ్యవధిలో నివేదించబడిన అధిక రిటైల్ అమ్మకాలు లేదా వెచ్చని నెలల్లో ఎయిర్ కండీషనర్ మరమ్మతు కాల్స్ పెరుగుదల ఇందులో ఉంటాయి.
షిఫ్ట్‌లు సాంప్రదాయకంగా కాలానుగుణమైనవి కానట్లయితే, వ్యత్యాసంలోని మార్పులు నిర్దిష్ట సంఘటనలు లేదా mark హాజనిత గుర్తులతో సంభవిస్తాయి. ఇది కొత్త మోడల్ విడుదలతో స్మార్ట్‌ఫోన్ అమ్మకాల పెరుగుదలకు సంబంధించినది, ఎందుకంటే ఈ సంఘటన ఆధారంగా కార్యాచరణ చక్రీయమైనది కాని సీజన్ ద్వారా తప్పనిసరిగా నిర్ణయించబడదు.
షరతులతో
షరతులతో కూడిన భిన్నత్వం ప్రకృతి ద్వారా able హించలేము. ఏ సమయంలోనైనా డేటా ఎక్కువ లేదా తక్కువ చెల్లాచెదురుగా మారుతుందని విశ్లేషకులు విశ్వసించే టెల్ టేల్ సంకేతం లేదు. తరచుగా, ఆర్థిక ఉత్పత్తులు షరతులతో కూడిన భిన్నమైన స్థితికి లోబడి పరిగణించబడతాయి, ఎందుకంటే అన్ని మార్పులు నిర్దిష్ట సంఘటనలు లేదా కాలానుగుణ మార్పులకు కారణమని చెప్పలేము.
ప్రత్యేక పరిశీలనలు
హెటెరోస్కెడాస్టిసిటీ మరియు ఫైనాన్షియల్ మోడలింగ్
రిగ్రెషన్ మోడలింగ్‌లో హెటెరోస్కెడాస్టిసిటీ ఒక ముఖ్యమైన భావన, మరియు పెట్టుబడి ప్రపంచంలో, సెక్యూరిటీలు మరియు ఇన్వెస్ట్‌మెంట్ పోర్ట్‌ఫోలియోల పనితీరును వివరించడానికి రిగ్రెషన్ మోడల్స్ ఉపయోగించబడతాయి. వీటిలో బాగా తెలిసినది కాపిటల్ అసెట్ ప్రైసింగ్ మోడల్ (CAPM), ఇది మార్కెట్ మొత్తానికి సంబంధించి దాని అస్థిరత దృష్ట్యా స్టాక్ యొక్క పనితీరును వివరిస్తుంది. ఈ మోడల్ యొక్క పొడిగింపులు పరిమాణం, మొమెంటం, నాణ్యత మరియు శైలి (విలువ వర్సెస్ పెరుగుదల) వంటి ఇతర ప్రిడిక్టర్ వేరియబుల్స్‌ను జోడించాయి.
ఈ ప్రిడిక్టర్ వేరియబుల్స్ జోడించబడ్డాయి ఎందుకంటే అవి డిపెండెంట్ వేరియబుల్‌లో వైవిధ్యాన్ని వివరిస్తాయి లేదా లెక్కించాయి. పోర్ట్‌ఫోలియో పనితీరును CAPM వివరిస్తుంది. ఉదాహరణకు, CAPM మోడల్ యొక్క డెవలపర్లు తమ మోడల్ ఒక ఆసక్తికరమైన క్రమరాహిత్యాన్ని వివరించడంలో విఫలమైందని తెలుసు: తక్కువ-నాణ్యత స్టాక్‌ల కంటే తక్కువ అస్థిరత కలిగిన అధిక-నాణ్యత స్టాక్స్, CAPM మోడల్ than హించిన దాని కంటే మెరుగైన పనితీరును కనబరిచాయి. అధిక-రిస్క్ స్టాక్స్ తక్కువ-రిస్క్ స్టాక్లను అధిగమిస్తాయని CAPM తెలిపింది. మరో మాటలో చెప్పాలంటే, అధిక-అస్థిరత స్టాక్‌లు తక్కువ-అస్థిరత స్టాక్లను ఓడించాలి. కానీ తక్కువ-అస్థిరత కలిగిన అధిక-నాణ్యత స్టాక్స్, CAPM icted హించిన దాని కంటే మెరుగైన పనితీరును కనబరిచాయి.
తరువాత, ఇతర పరిశోధకులు CAPM మోడల్‌ను విస్తరించారు (ఇది పరిమాణం, శైలి మరియు మొమెంటం వంటి ఇతర ప్రిడిక్టర్ వేరియబుల్స్‌ను చేర్చడానికి ఇప్పటికే విస్తరించబడింది) నాణ్యతను అదనపు ప్రిడిక్టర్ వేరియబుల్‌గా చేర్చడానికి దీనిని "కారకం" అని కూడా పిలుస్తారు. ఈ కారకాన్ని ఇప్పుడు మోడల్‌లో చేర్చడంతో, తక్కువ అస్థిరత స్టాక్‌ల పనితీరు క్రమరాహిత్యం లెక్కించబడుతుంది. మల్టీ-ఫాక్టర్ మోడల్స్ అని పిలువబడే ఈ నమూనాలు కారకాల పెట్టుబడి మరియు స్మార్ట్ బీటాకు ఆధారం.
