Termerna – Homoscedasticitet och homogenitet av effektstorlekar används ofta med avseende på regressionsanalys / Anova. Dessa antaganden skapar mycket förvirring åtminstone i mina tankar . Jag är inte klar över effektstorlekarnas homoskdasticitet? Hur annorlunda är det från antagandet om homogenitet hos varianter? Är dessa antaganden relevanta för t.ex. metaanalys av korrelation / effektstorlek d?
Kommentarer
- Homoscedasticitet betyder lika varians. Jag skulle förvänta mig att närhelst homogenitet nämns i ett statistiskt sammanhang, skulle det också innebära att något är konstant i genomsnitt, men vad som beror på sammanhang. När du inte ' t förklarar tvivel (" kanske "?) Och ger exakt noll bevis för påståendet om " många förvirringar " Jag kan bara matcha dina två meningar med mina två meningar. Detta ger i huvudsak minimal substans att svara på. Jag ' jag kallar det brist på forskningsinsats.
- Subhash, om du kan redigera din fråga för att förklara vad du menar med " homogenitet " – som ur kontext är en vag term – då skulle det vara mindre problematiskt att svara.
- Det beror på vad sak som vi överväger homogeniteten hos. Homogenitet av varians är homoscedasticitet. Homogenitet hos något som skiljer sig från varians kommer att skilja sig från homoscedasticitet.
- Det ' är verkligen bisarrt att du bestämde dig för att acceptera ett nytt svar som nu har – 4 nedröstningar istället för gung ' svar med +9 uppröstningar. Att ' är ett riktigt konstigt val. Jag röstar ned din fråga (-1) för att styra andra användare från den här tråden.
Svar
Jag håller inte med med varje svar här. Homogenitet av varians betyder liknande varians bland grupperade spridningsdiagram. Homoskadasticitet är en normalfördelning som uppträder för varje punkt på x-axeln (prediktorvariabel), så det måste finnas en liknande kurtos över varje punkt i prediktorvariabeln som kan verka som homogenitet av varians, men det är inte samma sak.
Kommentarer
- Homoscedasticity [inte scad ] innebär inte alls en normalfördelning. Som dess rötter antyder är det en fråga om (ungefär) lika spridning, med inget annat underförstått. Homoscedasticitet innebär inte heller att vi har en kontinuerlig axel någonstans, eftersom den också kan definieras för kvalitativt distinkta fördelningar. Här är ett trivialt exempel. Jag föreställer mig flera enhetliga fördelningar på samma intervall. Det följer omedelbart att de har samma varians och inställningen är homoscedastisk.
- Liknande (till och med lika) kurtos skiljer sig också helt från lika varians. Samma kurtos överensstämmer med olika varians. Mer allmänt meddelar du ' meningsskiljaktighet här: ja, vad exakt är fel med det befintliga svaret (jag räknar bara ett)?
- Denna karaktärisering av homoscedasticitet är så långt från den vanliga betydelsen att jag känner mig tvungen att nedrösta svaret som en varning till dem som kan vara nya i begreppet. Jag skulle ändra den omröstningen om svaret redigerades för att inkludera en tillgänglig, auktoritativ hänvisning för att stödja det.
- Detta svar måste stödja dess påståenden
- Jag tittade på dina länkar men kunde hitta inget i dem som stöder dina påståenden. Båda illustrerar den konventionella betydelsen av heteroscedasticitet. Varken åberopar normalitet eller kurtos i definitionen. (Kurtosis har förresten lite att göra med normalfördelningens form och är inte synonymt med den). Således motsäger de båda, snarare än att stödja, ditt svar. Jag tror att anledningen till att @NickCox påpekade att rätt stavning inte var att vara kritisk, utan bara för att hjälpa läsare att söka relaterat material. (Sökmotorn på den här webbplatsen klarar inte felstavningar.)
Svar
( Obs: med ”homogenitet” antar jag att du menar ”varianshomogenitet”. )
De är i huvudsak två olika namn för samma antagande, som kan kallas mer engelska ”konstant varians av felen” (naturligtvis har vi i praktiken inte tillgång till de sanna felen, bara resterna, vilket är vad vi faktiskt kontrollerar). Uttrycket ”varianshomogenitet” används traditionellt i ANOVA-sammanhanget och ”homoscedasticitet” används oftare i regressionskontext. Men de båda menar att varianterna av resterna är desamma överallt.
Om du har problem med att förstå homo- / heteroscedasticitet har jag flera inlägg om ämnet som kan vara till hjälp för dig:
- Så här förstå vad homoscedasticitet är och kolla heteroscedasticity: Vad betyder ”konstant varians” i en linjär regressionsmodell?
- effekt av heteroscedasticitet på statistisk effekt: Effektivitet av beta-uppskattningar med heteroscedasticty
- Möjliga alternativa strategier när du har heteroscedasticitet: Alternativ till enkelriktad ANOVA för heteroscedastisk data
Kommentarer
- Skrivfel här @Gung: det är homosc. det innebär att variansen är densamma. Strikt, homosc. är ett antagande om fel, eller villkorliga fördelningar, inte rester.
- Homegeneity har också en bredare betydelse av att prover är likartade i någon mening, dvs. i motsats till heterogenitet.
- I ' d säg det ' ges vanligtvis i sin helhet som " variansens homogenitet " – som @Aksakal säger, " homogenitet " är bredare. [Jag tog mig rätten att korrigera det skrivfel som Nick påpekade.]
- Detta är till hjälp men jag skulle kvalificera det lite. Till exempel har jag ' sett referenser till homogenitet i förhållande till eventuellt blandade fördelningar för det fall där en distribution är från en enda källa; och i relation till rumsliga processer. Så, homogenitet behöver inte betyda varianshomogenitet. För allt jag vet går detta utöver vad OP hade i åtanke, men det ' en rättvis kommentar med tanke på den aktuella formuleringen av frågan.
- Bra poäng, @NickCox. Jag lade till en varning.