Гетероскедастичность

Гетероскедастичность — это свойство последовательности случайных величин, заключающееся в непостоянстве дисперсии ошибок (случайных отклонений) модели регрессии. В отличие от гомоскедастичности, где дисперсия остатков одинакова для всех наблюдений, при гетероскедастичности дисперсия ошибки изменяется в зависимости от значения независимой переменной (или номера наблюдения). Данное явление характерно для регрессионного анализа, особенно при работе с перекрёстными данными (cross-sectional data) и временными рядами.

История и возникновение термина

Термин «гетероскедастичность» (от греч. heteros — разный и skedasis — рассеяние) был введён в статистическую литературу в начале XX века. Первоначально понятие использовалось в работах по эконометрике для описания нарушения классических предположений регрессионной модели. Ключевой вклад в изучение проблемы внесли работы Г. Марковица (1950-е годы) по портфельной теории, где волатильность доходности активов рассматривалась как непостоянная величина, а также труды Р. Энгла (1982 год), который разработал модель авторегрессионной условной гетероскедастичности (ARCH). За эту работу в 2003 году Роберт Энгл получил Нобелевскую премию по экономике. Позднее модель была обобщена Т. Боллерслевом (1986 год) до обобщённой авторегрессионной условной гетероскедастичности (GARCH).

Причины возникновения

Гетероскедастичность возникает по нескольким причинам:

• Неоднородность данных. Если в выборке присутствуют объекты с разным масштабом (например, доходы крупных корпораций и малых предприятий), дисперсия ошибок для крупных объектов, как правило, выше.
• Ошибки измерения. При измерении переменных с разной точностью (например, данные с разной частотой регистрации) дисперсия может варьироваться.
• Наличие выбросов. Единичные наблюдения, сильно отклоняющиеся от основной массы данных, могут увеличивать дисперсию в своей области.
• Пропуск важной переменной. Если в модели не учтён фактор, влияющий на разброс остатков, это может проявляться как гетероскедастичность.
• Асимметрия распределения. Временные ряды финансовых активов часто демонстрируют кластеризацию волатильности (периоды высокой и низкой дисперсии), что является формой гетероскедастичности.

Виды гетероскедастичности

В эконометрике принято выделять два основных типа:

• Условная гетероскедастичность. Дисперсия ошибки зависит от прошлых значений (например, в моделях ARCH/GARCH). Характерна для финансовых временных рядов, где волатильность меняется во времени.
• Безусловная гетероскедастичность. Дисперсия ошибки изменяется систематически в зависимости от значений независимых переменных (например, дисперсия дохода растёт с увеличением возраста). Этот тип чаще встречается в перекрёстных данных.

Кроме того, по форме зависимости выделяют:

• Монотонную (дисперсия растёт или убывает с ростом независимой переменной);
• Немонотонную (дисперсия меняется немонотонно, например, имеет U-образную форму).

Последствия для регрессионного анализа

Наличие гетероскедастичности нарушает одно из ключевых предположений классической линейной регрессионной модели (КЛРМ) — гомоскедастичность остатков. Это влечёт следующие последствия:

• Оценки коэффициентов остаются несмещёнными и состоятельными, но перестают быть эффективными (дисперсия оценок не минимальна). Это означает, что стандартные ошибки коэффициентов, вычисленные по обычной формуле, становятся смещёнными.
• Статистические выводы становятся ненадёжными. t-статистики и F-статистики перестают следовать стандартным распределениям, что приводит к неверным решениям при проверке гипотез (увеличивается вероятность ошибок первого и второго рода).
• Доверительные интервалы и прогнозы становятся неточными, особенно для наблюдений с высокой дисперсией.

Методы обнаружения

Для выявления гетероскедастичности применяются как визуальные, так и формальные статистические тесты.

Визуальные методы

• График остатков (residuals vs. fitted values). Если на графике наблюдается расширение или сужение «облака» точек (веерная форма), это указывает на гетероскедастичность.
• График квадратов остатков. Построение квадратов остатков против независимой переменной или прогнозных значений.
• График стандартизированных остатков. Позволяет выявить непостоянство разброса.

Статистические тесты

• Тест Голдфелда — Квандта. Основан на сравнении дисперсий двух подвыборок, разделённых по значению некоторой переменной. Применяется для выявления монотонной гетероскедастичности.
• Тест Бреуша — Пагана. Проверяет, зависит ли дисперсия остатков от линейной комбинации независимых переменных. Один из наиболее распространённых тестов.
• Тест Уайта. Более общий тест, не требующий априорного предположения о форме зависимости. Он проверяет, объясняется ли дисперсия остатков квадратами и перекрёстными произведениями регрессоров.
• Тест Парка. Предполагает, что дисперсия является степенной функцией от независимой переменной.

Методы устранения и коррекции

При обнаружении гетероскедастичности применяют следующие подходы:

• Взвешенный метод наименьших квадратов (ВМНК). Каждому наблюдению присваивается вес, обратно пропорциональный дисперсии ошибки. Требует знания или оценки дисперсии для каждого наблюдения. На практике часто используют оценку дисперсии на основе квадратов остатков.
• Робастные стандартные ошибки (стандартные ошибки в форме Уайта или Хубера — Уайта). Позволяют получить состоятельные оценки стандартных ошибок коэффициентов без изменения самих оценок МНК. Этот метод коррекции, а не устранения гетероскедастичности, наиболее популярен в эмпирических исследованиях.
• Преобразование переменных. Логарифмирование зависимой переменной (например, замена Y на ln(Y)) часто уменьшает гетероскедастичность, особенно если дисперсия пропорциональна среднему. Другие преобразования — взятие квадратного корня или обратной величины.
• Использование обобщённого метода наименьших квадратов (ОМНК). Более сложный подход, при котором модель оценивается с учётом ковариационной матрицы ошибок.
• Моделирование гетероскедастичности. В случае условной гетероскедастичности (финансовые ряды) применяют модели ARCH/GARCH, которые явно описывают изменение дисперсии во времени.

Примеры в реальных данных

• Экономика. Зависимость расходов на питание от дохода домохозяйства. Для бедных домохозяйств разброс расходов мал (почти все тратят на еду), для богатых — велик (один тратит мало, другой — много). Дисперсия ошибки растёт с доходом.
• Финансы. Доходность акций. В периоды кризисов волатильность (дисперсия) резко возрастает, в спокойные периоды — падает. Это классический пример условной гетероскедастичности.
• Медицина. Зависимость артериального давления от возраста. У молодых людей давление относительно стабильно, у пожилых — разброс больше из-за накопленных заболеваний.
• Производство. Зависимость издержек от объёма выпуска. Для малых объёмов дисперсия издержек может быть ниже, для крупных — выше из-за неопределённости в ценах на сырьё.

Критика и ограничения

• Чувствительность тестов. Тесты на гетероскедастичность (особенно тест Уайта) могут быть чувствительны к выбросам и размеру выборки. При малых выборках они имеют низкую мощность.
• Сложность интерпретации. Взвешенный МНК требует правильной спецификации весов, что на практике часто затруднительно.
• Не всегда требуется коррекция. Если гетероскедастичность слабая, а выборка большая, оценки остаются состоятельными, и коррекция может не дать существенного улучшения.
• Путаница с автокорреляцией. Во временных рядах гетероскедастичность часто сосуществует с автокорреляцией, что требует применения более сложных методов (например, HAC-оценок — heteroskedasticity and autocorrelation consistent).

Связь с другими понятиями

• Гомоскедастичность — противоположное свойство, предполагающее постоянство дисперсии ошибок. Является одним из условий теоремы Гаусса — Маркова.
• Автокорреляция — корреляция ошибок во времени. Часто встречается совместно с гетероскедастичностью во временных рядах.
• Волатильность — в финансах термин, обозначающий меру изменчивости цены актива, что по сути является дисперсией доходности. Модели волатильности (ARCH, GARCH) напрямую описывают гетероскедастичность.
• Гетерогенность — в статистике и эконометрике означает неоднородность объектов выборки, что часто является причиной гетероскедастичности.

Источники

• Грин, У. (2008). Эконометрический анализ. 7-е изд. — Prentice Hall.
• Энгл, Р. (1982). «Авторегрессионная условная гетероскедастичность с оценками дисперсии инфляции в Великобритании». Econometrica, 50(4), 987–1007.
• Боллерслев, Т. (1986). «Обобщённая авторегрессионная условная гетероскедастичность». Journal of Econometrics, 31(3), 307–327.
• Магнус, Я.Р., Катышев, П.К., Пересецкий, А.А. (2007). Эконометрика. Начальный курс. 8-е изд. — М.: Дело.
• Вербик, М. (2008). Руководство по современной эконометрике. — М.: Научная книга.