Heteroskedasticity คืออะไร?
ในสถิติ heteroskedasticity (หรือ heteroscedasticity) เกิดขึ้นเมื่อข้อผิดพลาดมาตรฐานของตัวแปรที่ตรวจสอบตามระยะเวลาที่กำหนดไม่คงที่ ด้วย heteroskedasticity สัญญาณบอกเล่าเมื่อตรวจสอบข้อผิดพลาดที่เหลือคือการที่พวกเขามีแนวโน้มที่จะพัดออกไปตามเวลาดังที่ปรากฎในภาพด้านล่าง
Heteroskedasticity มักจะเกิดขึ้นในสองรูปแบบ: เงื่อนไขและไม่มีเงื่อนไข heteroskedasticity แบบมีเงื่อนไขระบุความผันผวนที่ไม่คงที่เมื่อระยะเวลาในอนาคตของความผันผวนสูงและต่ำไม่สามารถระบุได้ ใช้ heteroskedasticity แบบไม่มีเงื่อนไขเมื่อสามารถระบุช่วงเวลาที่มีความผันผวนสูงและต่ำได้
รูปภาพโดย Julie Bang © Investopedia 2019
ประเด็นที่สำคัญ
- ในสถิติ heteroskedasticity (หรือ heteroscedasticity) เกิดขึ้นเมื่อข้อผิดพลาดมาตรฐานของตัวแปรตรวจสอบตามระยะเวลาที่กำหนดไม่คงที่ด้วย heteroskedasticity สัญญาณบอกเล่าเมื่อการตรวจสอบภาพของข้อผิดพลาดที่เหลือคือพวกเขาจะมีแนวโน้ม ที่จะพัดออกไปตามกาลเวลาตามที่ปรากฎในภาพด้านล่าง Hoschoskedasticity เป็นการละเมิดสมมติฐานสำหรับการสร้างแบบจำลองการถดถอยเชิงเส้นและดังนั้นจึงสามารถส่งผลกระทบต่อความถูกต้องของการวิเคราะห์ทางเศรษฐมิติหรือแบบจำลองทางการเงินเช่น CAPM
แม้ว่า heteroskedasticity จะไม่ทำให้เกิดความลำเอียงในการประมาณค่าสัมประสิทธิ์ แต่จะทำให้แม่นยำน้อยลง ความแม่นยำที่ต่ำกว่าจะเพิ่มโอกาสที่ค่าสัมประสิทธิ์ประมาณจากค่าประชากรที่ถูกต้อง
พื้นฐานของ Heteroskedasticity
ในทางการเงินมักพบเห็นความแตกต่างของราคาแบบ heteroskedasticity ในราคาหุ้นและพันธบัตร ระดับความผันผวนของหลักทรัพย์เหล่านี้ไม่สามารถคาดการณ์ได้ในทุกช่วงเวลา สามารถใช้ heteroskedasticity แบบไม่มีเงื่อนไขได้เมื่อพูดถึงตัวแปรที่มีความแปรปรวนตามฤดูกาลที่ระบุได้เช่นการใช้ไฟฟ้า
ในขณะที่มันเกี่ยวข้องกับสถิติ heteroskedasticity (เช่นการสะกดคำ heteroscedasticity) หมายถึงความแปรปรวนของข้อผิดพลาดหรือการพึ่งพาของการกระเจิงภายในตัวแปรอิสระอย่างน้อยหนึ่งตัวภายในตัวอย่างที่เฉพาะเจาะจง ชุดรูปแบบเหล่านี้สามารถใช้ในการคำนวณระยะขอบของข้อผิดพลาดระหว่างชุดข้อมูลเช่นผลลัพธ์ที่คาดหวังและผลลัพธ์ที่เกิดขึ้นจริงเนื่องจากเป็นการวัดการเบี่ยงเบนของจุดข้อมูลจากค่าเฉลี่ย
เพื่อให้ชุดข้อมูลได้รับการพิจารณาที่เกี่ยวข้องส่วนใหญ่ของจุดข้อมูลจะต้องอยู่ภายในจำนวนเฉพาะส่วนเบี่ยงเบนมาตรฐานจากค่าเฉลี่ยตามที่อธิบายโดยทฤษฎีบทของ Chebyshev หรือที่เรียกว่าความไม่เท่าเทียมกันของ Chebyshev นี่เป็นแนวทางเกี่ยวกับความน่าจะเป็นของตัวแปรสุ่มที่แตกต่างจากค่าเฉลี่ย
ขึ้นอยู่กับจำนวนของค่าเบี่ยงเบนมาตรฐานที่ระบุตัวแปรสุ่มมีความน่าจะเป็นโดยเฉพาะอย่างยิ่งที่มีอยู่ภายในจุด ตัวอย่างเช่นอาจจำเป็นต้องมีช่วงของสองส่วนเบี่ยงเบนมาตรฐานที่มีอย่างน้อย 75% ของจุดข้อมูลที่จะถือว่าถูกต้อง สาเหตุทั่วไปของความแปรปรวนนอกข้อกำหนดขั้นต่ำมักเกิดจากปัญหาคุณภาพข้อมูล
ตรงข้ามของ heteroskedastic คือ homoskedastic Homoskedasticity หมายถึงเงื่อนไขที่ความแปรปรวนของคำที่เหลือคงที่หรือเกือบจะเป็นเช่นนั้น Homoskedasticity เป็นหนึ่งในสมมติฐานของการสร้างแบบจำลองการถดถอยเชิงเส้น Homoskedasticity แสดงให้เห็นว่ารูปแบบการถดถอยอาจมีการกำหนดไว้อย่างดีซึ่งหมายความว่าจะให้คำอธิบายที่ดีเกี่ยวกับประสิทธิภาพของตัวแปรตาม
ประเภท Heteroskedasticity
ไม่มีเงื่อนไข
heteroskedasticity ที่ไม่มีเงื่อนไขสามารถคาดการณ์ได้และส่วนใหญ่มักเกี่ยวข้องกับตัวแปรที่เป็นวัฏจักรโดยธรรมชาติ ซึ่งอาจรวมถึงยอดค้าปลีกที่รายงานในช่วงเทศกาลช้อปปิ้งวันหยุดแบบดั้งเดิมหรือการเพิ่มขึ้นของการซ่อมแซมเครื่องปรับอากาศในช่วงเดือนที่อากาศอบอุ่น
การเปลี่ยนแปลงภายในความแปรปรวนสามารถเชื่อมโยงโดยตรงกับเหตุการณ์ที่เกิดขึ้นโดยเฉพาะหรือเครื่องหมายทำนายหากการเปลี่ยนแปลงไม่ได้ตามฤดูกาลแบบดั้งเดิม นี่อาจเกี่ยวข้องกับการเพิ่มขึ้นของยอดขายสมาร์ทโฟนด้วยการเปิดตัวรุ่นใหม่เนื่องจากกิจกรรมนั้นเป็นวัฏจักรตามกิจกรรม แต่ไม่จำเป็นต้องพิจารณาตามฤดูกาล
เงื่อนไข
heteroskedasticity แบบมีเงื่อนไขไม่สามารถคาดเดาได้โดยธรรมชาติ ไม่มีสัญญาณบ่งบอกว่านักวิเคราะห์เชื่อว่าข้อมูลจะกระจัดกระจายมากหรือน้อยในทุกช่วงเวลา บ่อยครั้งที่ผลิตภัณฑ์ทางการเงินถูกพิจารณาว่ามีความหลากหลายตามเงื่อนไขเนื่องจากการเปลี่ยนแปลงบางอย่างอาจไม่ได้เกิดจากเหตุการณ์ที่เฉพาะเจาะจงหรือการเปลี่ยนแปลงตามฤดูกาล
ข้อควรพิจารณาพิเศษ
Heteroskedasticity และแบบจำลองทางการเงิน
Heteroskedasticity เป็นแนวคิดที่สำคัญในการสร้างแบบจำลองการถดถอยและในโลกการลงทุนจะใช้แบบจำลองการถดถอยเพื่ออธิบายประสิทธิภาพของหลักทรัพย์และพอร์ตการลงทุน รู้จักกันดีที่สุดของเหล่านี้เป็นรูปแบบการกำหนดราคาสินทรัพย์ทุน (CAPM) ซึ่งอธิบายประสิทธิภาพของหุ้นในแง่ของความผันผวนเมื่อเทียบกับตลาดโดยรวม ส่วนขยายของรุ่นนี้ได้เพิ่มตัวแปรตัวทำนายอื่น ๆ เช่นขนาดโมเมนตัมคุณภาพและรูปแบบ (ค่าเมื่อเทียบกับการเติบโต)
มีการเพิ่มตัวแปรตัวทำนายเหล่านี้เนื่องจากอธิบายหรืออธิบายความแปรปรวนในตัวแปรตาม ประสิทธิภาพของพอร์ตโฟลิโออธิบายโดย CAPM ตัวอย่างเช่นนักพัฒนาของโมเดล CAPM ทราบว่าโมเดลของพวกเขาล้มเหลวในการอธิบายความผิดปกติที่น่าสนใจ: หุ้นคุณภาพสูงซึ่งมีความผันผวนน้อยกว่าหุ้นคุณภาพต่ำมีแนวโน้มที่จะทำงานได้ดีกว่าแบบจำลอง CAPM ที่คาดการณ์ไว้ CAPM กล่าวว่าหุ้นที่มีความเสี่ยงสูงควรมีประสิทธิภาพเหนือกว่าหุ้นที่มีความเสี่ยงต่ำ กล่าวอีกนัยหนึ่งหุ้นที่มีความผันผวนสูงควรเอาชนะหุ้นที่มีความผันผวนต่ำ แต่หุ้นที่มีคุณภาพสูงซึ่งมีความผันผวนน้อยมีแนวโน้มที่จะทำงานได้ดีกว่าที่คาดการณ์ไว้โดย CAPM
ต่อมานักวิจัยคนอื่นขยายแบบจำลอง CAPM (ซึ่งได้ขยายไปแล้วเพื่อรวมตัวแปรตัวทำนายอื่น ๆ เช่นขนาดสไตล์และโมเมนตัม) เพื่อรวมคุณภาพเป็นตัวแปรตัวทำนายเพิ่มเติมหรือที่เรียกว่า "ปัจจัย" ด้วยปัจจัยนี้ตอนนี้รวมอยู่ในรูปแบบความผิดปกติของประสิทธิภาพการทำงานของหุ้นผันผวนต่ำเป็นสาเหตุ แบบจำลองเหล่านี้เรียกว่าแบบจำลองหลายปัจจัยสร้างพื้นฐานของการลงทุนด้วยปัจจัยและเบต้าอัจฉริยะ
