Гетероскедастичность возникает, когда дисперсия ошибок (остатков) модели не является постоянной по всем уровням независимой переменной. В частности, величина ошибок систематически увеличивается или уменьшается с ростом или падением X. Следовательно, модель придает одинаковый вес наблюдениям с высокой и низкой вариабельностью ошибок. В результате, это приводит к неэффективным оценкам коэффициентов.
Когда присутствует гетероскедастичность, оценки База данных линий коэффициентов остаются несмещенными, но их стандартные ошибки становятся смещенными. Поэтому, стандартные тесты значимости (например, t-тесты) и доверительные интервалы становятся ненадежными. Фактически, вы можете ошибочно заключить о статистической значимости переменной или, наоборот, недооценить её важность. В такой ситуации важно использовать робастные стандартные ошибки или преобразования данных.
Проблема Автокорреляции Ошибок
Автокорреляция, или последовательная корреляция, означает, что остатки модели для одного наблюдения коррелируют с остатками для других наблюдений. Обычно, эта проблема возникает в данных временных рядов, где значение ошибки в текущем периоде часто зависит от ошибки в предыдущем. Таким образом, ошибка не является случайным шумом.