Ketika saya mempelajari analisis regresi linier, salah satu asumsi yang diajarkan adalah homoskedatiscity. Saya mengerti bahwa homoskedastisitas diperlukan untuk pengujian signifikan pada koefisien. Kemudian di kelas ekonometrik saya, profesor saya mengatakan bahwa kita sebenarnya tidak memerlukan asumsi homogenitas karena terlalu kuat. Sebagai gantinya, untuk melakukan pengujian hipotesis pada koefisien, kita bisa menggunakan "uji t-robust" atau uji Wald.
Jadi mengapa homoskedastisitas masih diasumsikan dan diajarkan di kelas regresi linier? Bagaimana saya merekonsiliasi ini?
Hai: diajarkan seperti itu karena terlibat dalam pengajaran lrt, tes lm dan tes kuat lainnya adalah topik yang lebih maju. untuk n besar, tes terakhir lebih baik daripada prosedur inferensi standar (seperti uji-t) tetapi tidak optimal secara teoritis sehingga ada lebih banyak kesulitan dalam mengajarkan topik-topik tersebut.
—
mark leeds
Saya melihat. Setiap kali saya mencari "asumsi di balik regresi linear" online, asumsi "homogenitas" muncul. Apakah ini karena standar dalam paket statistik adalah menggunakan uji t?
—
Rainroad
Itu mungkin sebagian besar alasannya. Tetapi bahkan tes homog juga memiliki masalah. Jadi, Anda harus menguji apakah tes itu valid, namun tes sebelumnya mungkin memiliki masalah sendiri. Jadi, mungkin lebih baik untuk mengasumsikan heteroskedastisitas. Biasanya, perkiraan regresi kuat untuk heterosked. Jadi, jika Anda benar-benar khawatir tentang asumsi homog, saya akan menyarankan untuk menjatuhkannya dan kemudian menggunakan 1) bootstrap atau 2) hasil Halbert White untuk membangun estimasi kovar yang konsisten dan heterosed ketika ada heterosed. Jika Anda tertarik pada 1) atau 2) Saya dapat mencoba memikirkan referensi.
—
mark leeds
Re makna homogenitas dalam konteks regresi, pertanyaan ini on Cross Divalidasi SE relevan, terutama jawaban oleh gung.
—
Adam Bailey
Salahku. itu harus homoskedatiscity.
—
Rainroad