Гетероскедастичность в статистике¶
Гетероскедастичность (от др.-греч. ἕτερος — «другой» и σκέδασις — «рассеивание») — явление в математической статистике и эконометрике, при котором дисперсия случайной величины (ошибки регрессии) не является постоянной, а изменяется в зависимости от значений независимых переменных или уровня наблюдения. Гетероскедастичность противопоставляется гомоскедастичности — ситуации, при которой дисперсия ошибок одинакова для всех наблюдений.
¶Определение и математическая формулировка
Пусть рассматривается линейная модель регрессии вида:
Y = Xβ + ε,
где Y — вектор зависимой переменной, X — матрица значений независимых переменных, β — вектор параметров, ε — вектор случайных ошибок. В классических предпосылках метода наименьших квадратов (МНК) предполагается, что дисперсия ошибок одинакова для всех наблюдений:
D(εᵢ) = σ² = const.
При гетероскедастичности это условие нарушается:
D(εᵢ) = σᵢ², причём σᵢ² ≠ σⱼ² при i ≠ j.
Формально дисперсия ошибок может зависеть от значения независимой переменной: σᵢ² = σ²(xᵢ), или от других факторов, например от порядкового номера наблюдения во временных рядах.
¶Причины возникновения
Гетероскедастичность чаще всего возникает в ситуациях, где разброс данных естественным образом растёт вместе с масштабом измеряемой величины. Типичные примеры:
- Экономические данные. Дисперсия расходов домохозяйств обычно растёт вместе с доходом: чем богаче семья, тем шире диапазон возможных трат.
- Временные ряды. Во многих экономических рядах (например, в ценах на акции) волатильность меняется во времени — периоды спокойного рынка чередуются с периодами высоких колебаний.
- Агрегированные данные. При агрегации индивидуальных наблюдений в группы разного размера дисперсия средних обратно пропорциональна размеру группы.
- Модели с функциональными ограничениями. Если зависимая переменная ограничена снизу нулём (например, количество покупок), то при малых значениях регрессора распределение ошибок сжато, а при больших — более разбросано.
¶Последствия для оценки параметров
При гетероскедастичности оценки МНК остаются несмещёнными и состоятельными, однако перестают быть эффективными в классе линейных несмещённых оценок (BLUE, по теореме Гаусса — Маркова). Главная практическая проблема — стандартные ошибки коэффициентов, вычисляемые по формуле МНК, становятся смещёнными, что приводит к:
- некорректным t-статистикам и F-статистикам;
- доверительным интервалам неправильной ширины;
- ошибочным выводам о значимости коэффициентов.
¶Методы обнаружения
Для выявления гетероскедастичности применяются как аналитические, так и визуальные методы:
| Метод | Суть |
|---|---|
| Графический анализ остатков | Построение графика остатков регрессии против значений регрессоров или fitted-значений; веерообразный или кластерный паттерн указывает на гетероскедастичность |
| Тест Уайта (1980) | Нерегрессионный тест: остатки регрессии квадратов остатков на все регрессоры, их квадраты и попарные произведения; высокий R² свидетельствует о гетероскедастичности |
| Тест Бройша — Пагана | Регрессия квадратов остатков на предполагаемые детерминанты дисперсии |
| Тест Глейджера — Теста | Специализированный тест для временных рядов |
| Тест Уайта с произвольной формой | Обобщённый вариант, допускающий нелинейную зависимость дисперсии от регрессоров |
¶Методы устранения
Основные способы борьбы с гетероскедастичностью:
- Метод наименьших квадратов взвешенных (МНКВ). Наблюдения взвешиваются обратно оценённой дисперсии ошибок, что восстанавливает эффективность оценок. Если дисперсия известна (например, σᵢ² = σ²xᵢ²), используется преобразование переменных: Y/xᵢ = β₁(x₁ᵢ/xᵢ) + ... + εᵢ/xᵢ.
- Робастные (устойчивые) стандартные ошибки. Оценки МНК сохраняются, но стандартные ошибки скорректируются по формуле Уайта — Хуайта (HC0, HC1, HC2, HC3). Это наиболее распространённый подход в современной эконометрике.
- Модели с изменяющейся дисперсией (ARCH/GARCH). Для временных рядов используются специальные модели условной гетероскедастичности, описывающие динамику дисперсии во времени.
¶Гетероскедастичность и гомоскедастичность
Гомоскедастичность — противоположное состояние, при котором дисперсия ошибок постоянна. Это одно из ключевых допущений классической линейной модели регрессии. На практике строгая гомоскедастичность rarely выполняется точно, поэтому в прикладных исследованиях предпочтение отдаётся робастным стандартным ошибкам, корректным при обоих вариантах.
¶Применение
Понятие гетероскедастичности широко используется в эконометрике, психометрике, промышленной статистике контроля качества и биометрии. В машинном обучении аналогом проблемы является гетероскедастичность шума в задачах регрессии, которая учитывается при построении вероятностных моделей и калибровке доверительных интервалов.
¶Источники
- Уайт Х. «Эконометрика» / пер. с англ. — М.: Инфра-М, 2000.
- Голденберг Г. Д., Шпильберг А. Б. «Эконометрика» — М.: Юрайт, 2019.
- Wooldridge J. M. «Introductory Econometrics: A Modern Approach» — Cengage Learning, 2019.
- White H. «A Heteroskedasticity-Consistent Covariance Matrix Estimator and a Direct Test for Heteroskedasticity» // Econometrica, 1980, vol. 48, no. 4.