<\/p>\n
Bij regressieanalyse verwijst heteroskedasticiteit<\/strong> (soms gespeld als heteroskedasticiteit) naar de ongelijke spreiding van residuen of fouttermen. Meer precies is dit het geval wanneer er een systematische verandering optreedt in de verdeling van de residuen over het bereik van de gemeten waarden.<\/span><\/p>\n Heteroskedasticiteit is een probleem omdat de gewone kleinste kwadratenregressie (OLS) ervan uitgaat dat de residuen afkomstig zijn uit een populatie met homoscedasticiteit<\/em> , wat constante variantie betekent.<\/span><\/p>\n Wanneer heteroscedasticiteit aanwezig is in een regressieanalyse, worden de resultaten van de analyse moeilijk te geloven. Concreet vergroot heteroskedasticiteit de variantie van de schattingen van de regressieco\u00ebffici\u00ebnten, maar het regressiemodel houdt daar geen rekening mee.<\/span><\/p>\n Dit maakt het veel waarschijnlijker dat een regressiemodel zal beweren dat een term in het model statistisch significant is, terwijl dit in werkelijkheid niet het geval is.<\/span><\/p>\n In deze tutorial wordt uitgelegd hoe u<\/span> heteroscedasticiteit kunt detecteren, wat de oorzaken van heteroscedasticiteit zijn en hoe u het heteroscedasticiteitsprobleem kunt oplossen.<\/span><\/p>\n De eenvoudigste manier om heteroskedasticiteit te detecteren is door gebruik te maken van een gepaste waarde\/residuele plot<\/em> .<\/span><\/p>\n Zodra u een regressielijn aan een gegevensset heeft aangepast, kunt u een spreidingsdiagram maken waarin de aangepaste waarden van het model worden weergegeven ten opzichte van de residuen van die aangepaste waarden.<\/span><\/p>\n Het onderstaande spreidingsdiagram toont een typisch diagram van de gepaste waarde versus het residu<\/em> waarin heteroscedasticiteit aanwezig is.<\/span><\/p>\n Merk op hoe de residuen zich steeds meer verspreiden naarmate de aangepaste waarden toenemen. Deze \u201ckegelvorm\u201d is een veelbetekenend teken van heteroscedasticiteit.<\/span><\/p>\n Heteroscedasticiteit komt van nature voor in datasets met een breed scala aan waargenomen datawaarden. Bijvoorbeeld:<\/span><\/p>\n Sommige datasets zijn simpelweg gevoeliger voor heteroskedasticiteit dan andere.<\/span><\/p>\n Er zijn drie veelgebruikte manieren om heteroskedasticiteit te corrigeren:<\/span><\/p>\n E\u00e9n manier om te corrigeren voor heteroskedasticiteit is door de afhankelijke variabele op de een of andere manier te transformeren. Een gebruikelijke transformatie is om eenvoudigweg de log van de afhankelijke variabele te nemen.<\/span><\/p>\n Als we bijvoorbeeld de bevolkingsomvang (onafhankelijke variabele) gebruiken om het aantal bloemisten in een stad te voorspellen (afhankelijke variabele), kunnen we in plaats daarvan proberen de bevolkingsomvang te gebruiken om de logaritme van het aantal bloemisten in een stad te voorspellen.<\/span><\/p>\n Het gebruik van de log van de afhankelijke variabele, in plaats van de oorspronkelijke afhankelijke variabele, resulteert vaak in het verdwijnen van heteroscedasticiteit.<\/span><\/p>\n Een andere manier om heteroskedasticiteit te corrigeren is door de afhankelijke variabele opnieuw te defini\u00ebren. Een gebruikelijke manier om dit te doen is door een tarief<\/em> te gebruiken voor de afhankelijke variabele, in plaats van de ruwe waarde.<\/span><\/p>\n In plaats van de bevolkingsomvang te gebruiken om het aantal bloemisten in een stad te voorspellen, kunnen we bijvoorbeeld de bevolkingsomvang gebruiken om het aantal bloemisten per hoofd van de bevolking te voorspellen.<\/span><\/p>\n In de meeste gevallen vermindert dit de variabiliteit die van nature voorkomt binnen grotere populaties, omdat we het aantal bloemisten per persoon meten, in plaats van het aantal bloemisten zelf.<\/span><\/p>\n Een andere manier om te corrigeren<\/span> voor heteroskedasticiteit is het gebruik van gewogen regressie. Dit type regressie kent een gewicht toe aan elk gegevenspunt op basis van de variantie van de aangepaste waarde.<\/span><\/p>\n In wezen geeft dit een laag gewicht aan datapunten met hogere varianties, waardoor hun resterende kwadraten kleiner worden. Wanneer de juiste gewichten worden gebruikt, kan dit het probleem van heteroskedasticiteit elimineren.<\/span><\/p>\n Heteroscedasticiteit is een vrij algemeen probleem als het gaat om regressieanalyse, aangezien veel datasets inherent onderhevig zijn aan niet-constante variantie.<\/span><\/p>\n Door echter een gepaste waardeplot versus een residuele plot<\/em> te gebruiken, kan het vrij eenvoudig zijn om heteroscedasticiteit te ontdekken.<\/span><\/p>\n En door de afhankelijke variabele te transformeren, de afhankelijke variabele opnieuw te defini\u00ebren of gewogen regressie te gebruiken, kan het probleem van heteroskedasticiteit vaak worden ge\u00eblimineerd.<\/span><\/p>\n","protected":false},"excerpt":{"rendered":" Bij regressieanalyse verwijst heteroskedasticiteit (soms gespeld als heteroskedasticiteit) naar de ongelijke spreiding van residuen of fouttermen. Meer precies is dit het geval wanneer er een systematische verandering optreedt in de verdeling van de residuen over het bereik van de gemeten waarden. Heteroskedasticiteit is een probleem omdat de gewone kleinste kwadratenregressie (OLS) ervan uitgaat dat de […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"class_list":["post-450","post","type-post","status-publish","format-standard","hentry","category-gids"],"yoast_head":"\n Hoe heteroscedasticiteit te detecteren<\/strong><\/span><\/h2>\n
Wat zijn de oorzaken van heteroscedasticiteit?<\/strong><\/span><\/h2>\n
\n
Hoe heteroscedasticiteit te verhelpen<\/strong><\/span><\/h2>\n
1. Transformeer de afhankelijke variabele<\/span><\/strong><\/h3>\n
2. Definieer de afhankelijke variabele opnieuw<\/strong><\/span><\/h3>\n
3. Gebruik gewogen regressie<\/span><\/strong><\/h3>\n
Conclusie<\/strong><\/span><\/h2>\n