<\/p>\n
Na an\u00e1lise de regress\u00e3o, heterocedasticidade<\/strong> (\u00e0s vezes escrita como heterocedasticidade) refere-se \u00e0 dispers\u00e3o desigual de res\u00edduos ou termos de erro. Mais precisamente, este \u00e9 o caso quando existe uma mudan\u00e7a sistem\u00e1tica na distribui\u00e7\u00e3o dos res\u00edduos ao longo do intervalo de valores medidos.<\/span><\/p>\n A heterocedasticidade \u00e9 um problema porque a regress\u00e3o de m\u00ednimos quadrados ordin\u00e1rios (OLS) assume que os res\u00edduos v\u00eam de uma popula\u00e7\u00e3o que possui homocedasticidade<\/em> , ou seja, vari\u00e2ncia constante.<\/span><\/p>\n Quando a heterocedasticidade est\u00e1 presente em uma an\u00e1lise de regress\u00e3o, os resultados da an\u00e1lise tornam-se dif\u00edceis de acreditar. Especificamente, a heterocedasticidade aumenta a vari\u00e2ncia das estimativas dos coeficientes de regress\u00e3o, mas o modelo de regress\u00e3o n\u00e3o a leva em conta.<\/span><\/p>\n Isto torna muito mais prov\u00e1vel que um modelo de regress\u00e3o afirme que um termo do modelo \u00e9 estatisticamente significativo, quando na realidade n\u00e3o o \u00e9.<\/span><\/p>\n Este tutorial explica como detectar<\/span> heterocedasticidade, as causas da heterocedasticidade e poss\u00edveis formas de resolver o problema de heterocedasticidade.<\/span><\/p>\n A maneira mais simples de detectar heterocedasticidade \u00e9 usar um gr\u00e1fico de valor\/residual ajustado<\/em> .<\/span><\/p>\n Depois de ajustar uma linha de regress\u00e3o a um conjunto de dados, voc\u00ea pode criar um gr\u00e1fico de dispers\u00e3o que mostra os valores ajustados do modelo em rela\u00e7\u00e3o aos res\u00edduos desses valores ajustados.<\/span><\/p>\n O gr\u00e1fico de dispers\u00e3o abaixo mostra um gr\u00e1fico t\u00edpico do valor ajustado versus o res\u00edduo<\/em> em que a heterocedasticidade est\u00e1 presente.<\/span><\/p>\n Observe como os res\u00edduos se espalham cada vez mais \u00e0 medida que os valores ajustados aumentam. Esta forma de \u201ccone\u201d \u00e9 um sinal revelador de heterocedasticidade.<\/span><\/p>\n A heterocedasticidade ocorre naturalmente em conjuntos de dados onde existe uma ampla gama de valores de dados observados. Por exemplo:<\/span><\/p>\n Alguns conjuntos de dados s\u00e3o simplesmente mais propensos \u00e0 heterocedasticidade do que outros.<\/span><\/p>\n Existem tr\u00eas maneiras comuns de corrigir a heterocedasticidade:<\/span><\/p>\n Uma maneira de corrigir a heterocedasticidade \u00e9 transformar a vari\u00e1vel dependente de alguma forma. Uma transforma\u00e7\u00e3o comum \u00e9 simplesmente obter o logaritmo da vari\u00e1vel dependente.<\/span><\/p>\n Por exemplo, se utilizarmos o tamanho da popula\u00e7\u00e3o (vari\u00e1vel independente) para prever o n\u00famero de floristas numa cidade (vari\u00e1vel dependente), podemos, em vez disso, tentar utilizar o tamanho da popula\u00e7\u00e3o para prever o logaritmo do n\u00famero de floristas numa cidade.<\/span><\/p>\n Usar o log da vari\u00e1vel dependente, em vez da vari\u00e1vel dependente original, geralmente resulta no desaparecimento da heterocedasticidade.<\/span><\/p>\n Outra forma de corrigir a heterocedasticidade \u00e9 redefinir a vari\u00e1vel dependente. Uma forma comum de fazer isso \u00e9 usar uma taxa<\/em> para a vari\u00e1vel dependente, em vez do valor bruto.<\/span><\/p>\n Por exemplo, em vez de utilizar o tamanho da popula\u00e7\u00e3o para prever o n\u00famero de floristas numa cidade, podemos utilizar o tamanho da popula\u00e7\u00e3o para prever o n\u00famero de floristas per capita.<\/span><\/p>\n Na maioria dos casos, isto reduz a variabilidade que ocorre naturalmente em popula\u00e7\u00f5es maiores, uma vez que estamos a medir o n\u00famero de floristas por pessoa, em vez do n\u00famero de floristas em si.<\/span><\/p>\n Outra forma de corrigir<\/span> a heterocedasticidade \u00e9 usar regress\u00e3o ponderada. Este tipo de regress\u00e3o atribui um peso a cada ponto de dados com base na vari\u00e2ncia do seu valor ajustado.<\/span><\/p>\n Essencialmente, isso atribui pesos baixos aos pontos de dados que possuem vari\u00e2ncias mais altas, reduzindo seus quadrados residuais. Quando os pesos apropriados s\u00e3o usados, isso pode eliminar o problema da heterocedasticidade.<\/span><\/p>\n A heterocedasticidade \u00e9 um problema bastante comum quando se trata de an\u00e1lise de regress\u00e3o, pois muitos conjuntos de dados est\u00e3o inerentemente sujeitos a varia\u00e7\u00f5es n\u00e3o constantes.<\/span><\/p>\n No entanto, usando um gr\u00e1fico de valor ajustado versus um gr\u00e1fico residual<\/em> , pode ser bastante f\u00e1cil detectar a heterocedasticidade.<\/span><\/p>\n E ao transformar a vari\u00e1vel dependente, redefinindo a vari\u00e1vel dependente ou usando regress\u00e3o ponderada, o problema da heterocedasticidade pode muitas vezes ser eliminado.<\/span><\/p>\n","protected":false},"excerpt":{"rendered":" Na an\u00e1lise de regress\u00e3o, heterocedasticidade (\u00e0s vezes escrita como heterocedasticidade) refere-se \u00e0 dispers\u00e3o desigual de res\u00edduos ou termos de erro. Mais precisamente, este \u00e9 o caso quando existe uma mudan\u00e7a sistem\u00e1tica na distribui\u00e7\u00e3o dos res\u00edduos ao longo do intervalo de valores medidos. A heterocedasticidade \u00e9 um problema porque a regress\u00e3o de m\u00ednimos quadrados ordin\u00e1rios (OLS) […]<\/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-449","post","type-post","status-publish","format-standard","hentry","category-guia"],"yoast_head":"\n Como detectar heterocedasticidade<\/strong><\/span><\/h2>\n
Quais s\u00e3o as causas da heterocedasticidade?<\/strong><\/span><\/h2>\n
\n
Como corrigir a heterocedasticidade<\/strong><\/span><\/h2>\n
1. Transforme a vari\u00e1vel dependente<\/span><\/strong><\/h3>\n
2. Redefina a vari\u00e1vel dependente<\/strong><\/span><\/h3>\n
3. Use regress\u00e3o ponderada<\/span><\/strong><\/h3>\n
Conclus\u00e3o<\/strong><\/span><\/h2>\n