Los términos – Homoscedasticidad y homogeneidad de los tamaños del efecto se utilizan con frecuencia con respecto al análisis de regresión / Anova. Estas suposiciones crean mucha confusión al menos en mi mente . ¿No tengo claro la homoscdasticidad de los tamaños del efecto? ¿Qué tan diferente es del supuesto de homogeneidad de varianza para Anova? ¿Son estos supuestos relevantes para, por ejemplo, metaanálisis de correlación / tamaño del efecto d?
Comentarios
- Homoscedasticidad significa varianzas iguales. Yo esperaría que cada vez que se menciona la homogeneidad en un contexto estadístico, también implicaría que algo es constante en promedio, pero que dependería del contexto. Como no ', explique la duda (" tal vez "?) Y dé con precisión cero pruebas para la afirmación de " muchas confusiones " Solo puedo hacer coincidir tus dos oraciones con mis dos oraciones. Esto proporciona una sustancia esencialmente mínima a la que responder. Yo ' lo llamaría falta de esfuerzo de investigación.
- Subhash, si pudiera editar su pregunta para explicar lo que quiere decir con " homogeneidad " –que fuera de contexto es un término vago – entonces sería menos problemático responder.
- Depende de qué cosa de la que estamos considerando la homogeneidad. La homogeneidad de la varianza es homocedasticidad. La homogeneidad de algo que es distinto de la varianza será distinta de la homocedasticidad.
- Es ' realmente extraño que haya decidido aceptar una nueva respuesta que ya tiene: 4 votos negativos en lugar de gung ' s responden con +9 votos a favor. Esa ' es una elección realmente extraña. Voto tu pregunta (-1) para desviar a otros usuarios de este hilo.
Responder
No estoy de acuerdo con cada respuesta aquí. La homogeneidad de la varianza significa una varianza similar entre diagramas de dispersión agrupados. La homocasticidad es una distribución normal que ocurre para cada punto del eje x (variable predictora), por lo tanto, debe haber una curtosis similar en cada punto de la variable predictora, lo que puede parecer una homogeneidad de varianza, pero no es lo mismo.
Comentarios
- La homocedasticidad [no scad ] no implica una distribución normal en absoluto. Como sus raíces implican, se trata de una dispersión (aproximadamente) igual, sin nada más implícito. La homocedasticidad tampoco implica que tengamos un eje continuo en cualquier lugar, ya que también podría definirse para distribuciones cualitativamente distintas. He aquí un ejemplo trivial. Imagino varias distribuciones uniformes en el mismo intervalo. Se deduce inmediatamente que tienen la misma varianza y la configuración es homoscedástica.
- Una curtosis similar (incluso igual) también es bastante distinta de la varianza igual. La misma curtosis es consistente con diferentes variaciones. De manera más general, ' estás anunciando disentimiento aquí: entonces, ¿qué es exactamente lo que está mal en la respuesta existente (solo cuento una)?
- Esta caracterización de la homocedasticidad es tan lejos del significado habitual que me siento obligado a rechazar la respuesta como una advertencia para aquellos que podrían ser nuevos en el término. Cambiaría ese voto si la respuesta fuera editada para incluir una referencia autorizada y accesible para respaldarla.
- Esta respuesta debe respaldar sus afirmaciones
- Miré sus vínculos, pero pude encontrar nada en ellos para respaldar sus afirmaciones. Ambos ilustran el significado convencional de heterocedasticidad. Ninguno invoca la normalidad o la curtosis en la definición. (La curtosis, por cierto, tiene poco que ver con la forma de la distribución normal y no es sinónimo de ella). Por lo tanto, ambos contradicen, en lugar de respaldar, su respuesta. Creo que la razón por la que @NickCox señaló que la ortografía correcta no era para ser crítica, sino solo para ayudar a los lectores a buscar material relacionado. (El motor de búsqueda de este sitio no identifica bien los errores ortográficos).
Responder
( Nota: por «homogeneidad», supongo que te refieres a «homogeneidad de varianza». )
Son, en esencia, dos nombres diferentes para la misma suposición, que podrían llamarse en más inglés coloquial «varianza constante de los errores» (por supuesto, en la práctica no tenemos acceso a los verdaderos errores, solo a los residuales, que son los que realmente comprobamos). El término «homogeneidad de varianza» se usa tradicionalmente en el contexto ANOVA, y «homocedasticidad» se usa más comúnmente en el contexto de regresión. Pero ambos significan que la varianza de los residuos es la misma en todas partes.
Si tiene problemas para comprender la homo- / heteroscedasticidad, tengo varias publicaciones sobre el tema que pueden ser útiles para usted:
- Cómo comprender qué es la homocedasticidad, y comprobar para heteroscedasticidad: ¿Qué significa tener «varianza constante» en un modelo de regresión lineal?
- El efecto de la heterocedasticidad en el poder estadístico: Eficiencia de las estimaciones beta con heterocedasticidad
- Posibles estrategias alternativas cuando tienes heterocedasticidad: Alternativas a ANOVA unidireccional para datos heterocedásticos
Comentarios
- Typo here @Gung: it is homosc. eso implica que la varianza es la misma. Estrictamente homosc. es una suposición sobre errores, o distribuciones condicionales, no residuales.
- Homegeneity también tiene un significado más amplio de que las muestras son similares en algún sentido, es decir, en oposición a la heterogeneidad.
- I ' d decirlo ' normalmente se da en su totalidad como " homogeneidad de varianza " – como dice @Aksakal, " homogeneidad " es más amplia. [Me tomé la libertad de corregir el error tipográfico que Nick señaló.]
- Esto es útil, pero lo calificaría un poco. Por ejemplo, ' he visto referencias a la homogeneidad en relación con distribuciones posiblemente mixtas para el caso en el que una distribución es de una sola fuente; y en relación con los procesos espaciales. Entonces, homogeneidad no tiene por qué significar homogeneidad de varianza. Por lo que sé, esto va más allá de lo que tenía en mente el OP, pero es ' un comentario justo dada la redacción actual de la pregunta.
- Buen punto, @NickCox. Agregué una advertencia.