I termini – Omoscedasticità e omogeneità delle dimensioni degli effetti sono spesso usati rispetto allanalisi di regressione / Anova. Questi presupposti creano molta confusione almeno nella mia mente . Non mi è chiaro lomoscdasticità delle dimensioni degli effetti? Quanto è diverso dallipotesi di omogeneità della varianza per Anova? Queste ipotesi sono rilevanti per es. meta-analisi di correlazione / dimensione delleffetto d?
Commenti
- Omoscedasticità significa varianze uguali. Mi aspetterei che ogni volta che lomogeneità è menzionata in un contesto statistico, implicherebbe anche che qualcosa è costante in media, ma piuttosto cosa dipenderà dal contesto. Poiché non ' spieghi il dubbio (" forse "?) E dai con precisione zero prove per laffermazione di " molte confusioni " Posso solo abbinare le tue due frasi con le mie due frasi. Ciò fornisce essenzialmente una sostanza minima a cui rispondere. ' la definirei una mancanza di sforzi di ricerca.
- Subhash, se potessi modificare la tua domanda per spiegare cosa intendi con " omogeneità " – che fuori contesto è un termine vago – allora sarebbe meno problematico rispondere.
- Dipende da cosa cosa di cui stiamo considerando lomogeneità. Lomogeneità della varianza è lomoscedasticità. Lomogeneità di qualcosa che è distinto dalla varianza sarà distinta dallomoscedasticità.
- È ' davvero bizzarro che tu abbia deciso di accettare una nuova risposta che ha ormai – 4 voti negativi invece della risposta di ' con +9 voti positivi. Questa ' è una scelta davvero strana. Ho downvote la tua domanda (-1) per allontanare gli altri utenti da questo thread.
Risposta
Non sono daccordo con ogni risposta qui. Lomogeneità della varianza significa una varianza simile tra i grafici a dispersione raggruppati. Lomoscadasticità è una distribuzione normale che si verifica per ogni punto sullasse x (variabile predittore), quindi deve esserci una curtosi simile in ogni punto della variabile predittiva che può sembrare omogeneità della varianza, ma non è la stessa cosa.
Commenti
- Homoscedasticity [not scad ] non implica affatto una distribuzione normale. Come implicano le sue radici, si tratta di una dispersione (approssimativamente) uguale, senza nientaltro implicito. Né lomoscedasticità implica che abbiamo un asse continuo ovunque, poiché potrebbe essere definito anche per distribuzioni qualitativamente distinte. Ecco un esempio banale. Immagino diverse distribuzioni uniformi sullo stesso intervallo. Ne consegue immediatamente che hanno la stessa varianza e lassetto è omoschedastico.
- La curtosi simile (anche uguale) è anche abbastanza distinta dalla varianza uguale. La stessa curtosi è coerente con una diversa varianza. Più in generale, ' dichiari dissenso qui: quindi, cosa cè di sbagliato nella risposta esistente (ne conto solo una)?
- Questa caratterizzazione dellomoscedasticità è così lontano dal significato abituale che mi sento obbligato a votare per difetto la risposta come monito per coloro che potrebbero essere nuovi al termine. Modificherei il voto se la risposta fosse modificata per includere un riferimento accessibile e autorevole a supporto.
- Questa risposta deve supportare le sue affermazioni
- Ho guardato i tuoi link ma ho trovato niente in loro per supportare le tue affermazioni. Entrambi illustrano il significato convenzionale di eteroschedasticità. Nessuno dei due invoca la normalità o la curtosi nella definizione. (La curtosi, a proposito, ha poco a che fare con la forma della distribuzione normale e non è sinonimo di essa). Quindi, entrambi contraddicono, piuttosto che sostenere, la tua risposta. Credo che il motivo per cui @NickCox ha sottolineato che lortografia corretta non fosse fondamentale, ma solo per aiutare i lettori a cercare materiale correlato. (Il motore di ricerca su questo sito non riesce a identificare gli errori di ortografia.)
Rispondi
( Nota: per “omogeneità”, presumo tu intenda “omogeneità della varianza”. )
Sono, in sostanza, due nomi diversi per lo stesso assunto, che potrebbero essere chiamati in più inglese colloquiale “varianza costante degli errori” (ovviamente, in pratica non abbiamo accesso ai veri errori, ma solo ai residui, che sono ciò che effettivamente controlliamo). Il termine “omogeneità della varianza” è tradizionalmente utilizzato nel contesto ANOVA e “omoscedasticità” è usato più comunemente nel contesto della regressione. Ma entrambi significano che la varianza dei residui è la stessa ovunque.
Se hai problemi a comprendere lomo / eteroschedasticità, ho diversi post sullargomento che potrebbero esserti utili:
- Come capire cosè lomoscedasticità e controllare per eteroschedasticità: cosa significa avere “varianza costante” in un modello di regressione lineare?
- Il effetto delleteroscedasticità sul potere statistico: Efficienza delle stime beta con eteroschedasticità
- Possibili strategie alternative in caso di eteroschedasticità: Alternative allANOVA unidirezionale per dati eteroschedastici
Commenti
- Errore di battitura qui @Gung: è homosc. ciò implica che la varianza è la stessa. Rigorosamente, homosc. è unassunzione di errori, o distribuzioni condizionali, non residui.
- Lomegeneità ha anche un significato più ampio di campioni simili in un certo senso, cioè in opposizione alleterogeneità.
- I ' d dire che ' viene solitamente indicato per intero come " omogeneità della varianza " – come dice @Aksakal, " omogeneità " è più ampia. [Mi sono preso la libertà di correggere lerrore di battitura indicato da Nick.]
- Questo è utile ma lo qualificherei un po . Ad esempio, ' ho visto riferimenti allomogeneità in relazione a distribuzioni possibilmente miste nel caso in cui una distribuzione provenga da ununica fonte; e in relazione ai processi spaziali. Quindi, omogeneità non significa necessariamente omogeneità della varianza. Per quanto ne so, questo va oltre ciò che lOP aveva in mente, ma ' un commento corretto data lattuale formulazione della domanda.
- Buona osservazione, @NickCox. Ho aggiunto un avvertimento.