Definicion de Definición de heterocedasticidad: significado simple y explicación de los tipos
Definición de heterocedasticidad: significado simple y explicación de los tipos
¿Qué es la heterocedasticidad?
En estadística, la heterocedasticidad (o heterocedasticidad) ocurre cuando las desviaciones estándar de una variable predicha, rastreadas a través de diferentes valores de la variable independiente o relacionadas con períodos de tiempo anteriores, no son constantes. En el caso de la heterocedasticidad, un signo revelador al inspeccionar visualmente los errores residuales es que tienden a expandirse con el tiempo, como se muestra en la imagen siguiente.
La heteroscedasticidad suele presentarse de dos formas: condicional e incondicional. La heterocedasticidad condicional define la volatilidad no constante que está relacionada con la volatilidad del período anterior (por ejemplo, diaria). La heterocedasticidad incondicional se refiere a cambios estructurales generales en la volatilidad que no están relacionados con la volatilidad del período anterior. La heterocedasticidad incondicional se utiliza cuando se pueden identificar períodos futuros de alta y baja volatilidad.
Resultados clave
- En estadística, la heterocedasticidad (o heterocedasticidad) ocurre cuando los errores estándar de una variable rastreada durante un período de tiempo no son constantes.
- En el caso de la heterocedasticidad, un signo revelador al inspeccionar visualmente los errores residuales es que tienden a expandirse con el tiempo, como se muestra en la imagen de arriba.
- La heteroscedasticidad es una violación de los supuestos del modelo de regresión lineal y, por lo tanto, puede afectar la validez de los análisis econométricos o de los modelos financieros como el CAPM.
Aunque la heterocedasticidad no sesga las estimaciones de los coeficientes, sí las hace menos precisas; una precisión más baja aumenta la probabilidad de que las estimaciones de los coeficientes estén lejos del valor poblacional correcto.
Conceptos básicos de la heterocedasticidad
En finanzas, la heterocedasticidad condicional se observa a menudo en los precios de acciones y bonos. El nivel de volatilidad de estas acciones no se puede predecir durante ningún período. La heterocedasticidad incondicional se puede utilizar cuando se analizan variables que tienen una variabilidad estacional significativa, como el consumo de electricidad.
En estadística, la heterocedasticidad (también escrita heterocedasticidad) se refiere a la varianza del error o relación de dispersión dentro de al menos una variable independiente dentro de una muestra particular. Estas variaciones se pueden utilizar para calcular el error entre conjuntos de datos, como los resultados esperados y reales, porque proporcionan una medida de la desviación de los puntos de datos de la media.
Para que un conjunto de datos se considere relevante, la mayoría de los puntos de datos deben estar dentro de un cierto número de desviaciones estándar de la media, como se describe en el teorema de Chebyshev, también conocido como desigualdad de Chebyshev. Esto proporciona orientación sobre la probabilidad de que una variable aleatoria se desvíe de su media.
Dependiendo del número de desviaciones estándar especificadas, la variable aleatoria tiene una cierta probabilidad de existir en estos puntos. Por ejemplo, es posible que desee que un rango de dos desviaciones estándar contenga al menos el 75 % de los puntos de datos para que se considere válido. Una razón común para las desviaciones de los requisitos mínimos suele ser problemas de calidad de los datos.
Lo opuesto a la heteroscedasticidad es la homocedasticidad. La homocedasticidad se refiere a la condición en la que la varianza del término residual es constante o casi constante. La homocedasticidad es uno de los supuestos del modelado de regresión lineal. Esto es necesario para garantizar la precisión de las estimaciones, la validez de los límites de predicción de la variable dependiente y la validez de los intervalos de confianza y los valores p de los parámetros.
Tipos de heterocedasticidad
Incondicional
La heterocedasticidad incondicional es predecible y puede aplicarse a variables de naturaleza cíclica. Esto podría incluir aumentos en las ventas minoristas registrados durante el período tradicional de compras navideñas o un aumento en las llamadas de reparación de aire acondicionado durante los meses más cálidos.
Los cambios dentro de la varianza pueden estar directamente relacionados con la ocurrencia de ciertos eventos o marcadores predictivos si los cambios no son tradicionalmente estacionales. Esto puede deberse a un aumento en las ventas de teléfonos inteligentes con el lanzamiento de un nuevo modelo, ya que la actividad es cíclica dependiendo del evento, pero no necesariamente está determinada por la temporada.
La heterocedasticidad también puede referirse a casos en los que los datos se acercan a un límite, donde la varianza seguramente será menor porque el límite limita el rango de los datos.
Condicional
La heterocedasticidad condicional no es predecible por su naturaleza. No hay señales claras que lleven a los analistas a creer que los datos quedarán más o menos aislados en algún momento. A menudo se considera que los productos financieros están sujetos a heterocedasticidad condicional porque no todos los cambios pueden atribuirse a eventos específicos o cambios estacionales.
Una aplicación común de la heterocedasticidad condicional es en los mercados de valores, donde la volatilidad de hoy está estrechamente relacionada con la volatilidad de ayer. Este modelo explica períodos de volatilidad alta y baja persistente.
Consideraciones Especiales
Heterocedasticidad y modelación financiera.
La heterocedasticidad es un concepto importante en los modelos de regresión y, en el mundo de las inversiones, los modelos de regresión se utilizan para explicar el desempeño de los valores y las carteras de inversión. El más conocido de ellos es el modelo de valoración de activos de capital (CAPM), que explica el desempeño de las acciones en términos de su volatilidad en relación con el mercado en su conjunto. Las extensiones de este modelo han agregado otras variables predictivas como tamaño, impulso, calidad y estilo (valor versus crecimiento).
Estas variables predictoras se agregaron porque explican o dan cuenta de la varianza en la variable dependiente. El CAPM explica el rendimiento de la cartera. Por ejemplo, los desarrolladores del modelo CAPM se dieron cuenta de que su modelo no lograba explicar una anomalía interesante: las acciones de alta calidad que eran menos volátiles que las acciones de baja calidad tendían a tener un mejor desempeño de lo que predijo el modelo CAPM. El CAPM establece que las acciones de mayor riesgo deberían superar a las acciones de menor riesgo.
En otras palabras, las acciones con alta volatilidad deberían superar a las acciones con menor volatilidad. Pero las acciones de alta calidad, que son menos volátiles, tendieron a tener un mejor desempeño de lo que predijo el CAPM.
Más tarde, otros investigadores ampliaron el modelo CAPM (que ya se había ampliado para incluir otras variables predictivas como el tamaño, el estilo y el impulso) al incluir la calidad como una variable predictiva adicional, también conocida como «factor». Ahora que se incluye este factor en el modelo, se ha tenido en cuenta el comportamiento anormal de las acciones de baja volatilidad. Estos modelos, conocidos como modelos multifactoriales, forman la base de la inversión factorial y la beta inteligente.
Preguntas Frecuentes
Incluye tres preguntas frecuentes sobre el contenido dando sus respuestas. Utiliza muchas negritas utilizando HTML tag ¿Qué es la heterocedasticidad? En estadística, la heterocedasticidad (o heterocedasticidad) ocurre cuando las desviaciones estándar de una variable predicha, rastreadas a través de diferentes valores de la variable independiente o relacionadas con períodos de tiempo anteriores, no son constantes. En el caso de la heterocedasticidad, un signo revelador al inspeccionar visualmente los errores residuales es que tienden a expandirse con el tiempo, como se muestra en la imagen siguiente. La heteroscedasticidad suele presentarse de dos formas: condicional e incondicional. La heterocedasticidad condicional define la volatilidad no constante que está relacionada con la volatilidad del período anterior (por ejemplo, diaria). La heterocedasticidad incondicional se refiere a cambios estructurales generales en la volatilidad que no están relacionados con la volatilidad del período anterior. La heterocedasticidad incondicional se utiliza cuando se pueden identificar períodos futuros de alta y baja volatilidad. Imagen de Julie Bang © Wikieconomia 2019 Resultados clave En estadística, la heterocedasticidad (o heterocedasticidad) ocurre cuando los errores estándar de una variable rastreada durante un período de tiempo no son constantes. En el caso de la heterocedasticidad, un signo revelador al inspeccionar visualmente los errores residuales es que tienden a expandirse con el tiempo, como se muestra en la imagen de arriba. La heteroscedasticidad es una violación de los supuestos del modelo de regresión lineal y, por lo tanto, puede afectar la validez de los análisis econométricos o de los modelos financieros como el CAPM. Aunque la heterocedasticidad no sesga las estimaciones de los coeficientes, sí las hace menos precisas; una precisión más baja aumenta la probabilidad de que las estimaciones de los coeficientes estén lejos del valor poblacional correcto. Conceptos básicos de la heterocedasticidad En finanzas, la heterocedasticidad condicional se observa a menudo en los precios de acciones y bonos. El nivel de volatilidad de estas acciones no se puede predecir durante ningún período. La heterocedasticidad incondicional se puede utilizar cuando se analizan variables que tienen una variabilidad estacional significativa, como el consumo de electricidad. En estadística, la heterocedasticidad (también escrita heterocedasticidad) se refiere a la varianza del error o relación de dispersión dentro de al menos una variable independiente dentro de una muestra particular. Estas variaciones se pueden utilizar para calcular el error entre conjuntos de datos, como los resultados esperados y reales, porque proporcionan una medida de la desviación de los puntos de datos de la media. Para que un conjunto de datos se considere relevante, la mayoría de los puntos de datos deben estar dentro de un cierto número de desviaciones estándar de la media, como se describe en el teorema de Chebyshev, también conocido como desigualdad de Chebyshev. Esto proporciona orientación sobre la probabilidad de que una variable aleatoria se desvíe de su media. Dependiendo del número de desviaciones estándar especificadas, la variable aleatoria tiene una cierta probabilidad de existir en estos puntos. Por ejemplo, es posible que desee que un rango de dos desviaciones estándar contenga al menos el 75 % de los puntos de datos para que se considere válido. Una razón común para las desviaciones de los requisitos mínimos suele ser problemas de calidad de los datos. Lo opuesto a la heteroscedasticidad es la homocedasticidad. La homocedasticidad se refiere a la condición en la que la varianza del término residual es constante o casi constante. La homocedasticidad es uno de los supuestos del modelado de regresión lineal. Esto es necesario para garantizar la precisión de las estimaciones, la validez de los límites de predicción de la variable dependiente y la validez de los intervalos de confianza y los valores p de los parámetros. Tipos de heterocedasticidad Incondicional La heterocedasticidad incondicional es predecible y puede aplicarse a variables de naturaleza cíclica. Esto podría incluir aumentos en las ventas minoristas registrados durante el período tradicional de compras navideñas o un aumento en las llamadas de reparación de aire acondicionado durante los meses más cálidos. Los cambios dentro de la varianza pueden estar directamente relacionados con la ocurrencia de ciertos eventos o marcadores predictivos si los cambios no son tradicionalmente estacionales. Esto puede deberse a un aumento en las ventas de teléfonos inteligentes con el lanzamiento de un nuevo modelo, ya que la actividad es cíclica dependiendo del evento, pero no necesariamente está determinada por la temporada. La heterocedasticidad también puede referirse a casos en los que los datos se acercan a un límite, donde la varianza seguramente será menor porque el límite limita el rango de los datos. Condicional La heterocedasticidad condicional no es predecible por su naturaleza. No hay señales claras que lleven a los analistas a creer que los datos quedarán más o menos aislados en algún momento. A menudo se considera que los productos financieros están sujetos a heterocedasticidad condicional porque no todos los cambios pueden atribuirse a eventos específicos o cambios estacionales. Una aplicación común de la heterocedasticidad condicional es en los mercados de valores, donde la volatilidad de hoy está estrechamente relacionada con la volatilidad de ayer. Este modelo explica períodos de volatilidad alta y baja persistente. Consideraciones Especiales Heterocedasticidad y modelación financiera. La heterocedasticidad es un concepto importante en los modelos de regresión y, en el mundo de las inversiones, los modelos de regresión se utilizan para explicar el desempeño de los valores y las carteras de inversión. El más conocido de ellos es el modelo de valoración de activos de capital (CAPM), que explica el desempeño de las acciones en términos de su volatilidad en relación con el mercado en su conjunto. Las extensiones de este modelo han agregado otras variables predictivas como tamaño, impulso, calidad y estilo (valor versus crecimiento). Estas variables predictoras se agregaron porque explican o dan cuenta de la varianza en la variable dependiente. El CAPM explica el rendimiento de la cartera. Por ejemplo, los desarrolladores del modelo CAPM se dieron cuenta de que su modelo no lograba explicar una anomalía interesante: las acciones de alta calidad que eran menos volátiles que las acciones de baja calidad tendían a tener un mejor desempeño de lo que predijo el modelo CAPM. El CAPM establece que las acciones de mayor riesgo deberían superar a las acciones de menor riesgo. En otras palabras, las acciones con alta volatilidad deberían superar a las acciones con menor volatilidad. Pero las acciones de alta calidad, que son menos volátiles, tendieron a tener un mejor desempeño de lo que predijo el CAPM. Más tarde, otros investigadores ampliaron el modelo CAPM (que ya se había ampliado para incluir otras variables predictivas como el tamaño, el estilo y el impulso) al incluir la calidad como una variable predictiva adicional, también conocida como «factor». Ahora que se incluye este factor en el modelo, se ha tenido en cuenta el comportamiento anormal de las acciones de baja volatilidad. Estos modelos, conocidos como modelos multifactoriales, forman la base de la inversión factorial y la beta inteligente.
¿Problemas o dudas? Te ayudamos
Si quieres estar al día, suscríbete a nuestra newsletter y síguenos en Instagram. Si quieres recibir soporte para cualquier duda o problema, no dude en ponerse en contacto con nosotros en info@wikieconomia.org.