هوموسکداستیک Homoskedastic

هوموسکداستیک یا Homoscedasticity به وضعیتی در مدل‌های رگرسیون اشاره دارد که در آن واریانس خطاها (Residuals) یا جمله‌های خطا ثابت است. یعنی پراکندگی خطاها در تمام مقادیر متغیر مستقل تقریباً یکسان باقی می‌ماند.

هوموسکداستیک (Homoskedastic) چیست؟

به زبان ساده، وقتی داده‌ها را روی نمودار رسم می‌کنیم، نقاط خطا در اطراف خط رگرسیون پراکندگی مشابهی دارند، بدون اینکه در بخش‌های مختلف نمودار خیلی زیاد یا خیلی کم شوند.

چرا مهم است؟

• ثبات واریانس خطاها نشان‌دهنده یک مدل رگرسیون قابل اعتماد و تعریف‌شده است.
• اگر این شرط برقرار نباشد (یعنی Heteroskedasticity رخ دهد)، مدل ممکن است دچار مشکل باشد و نتایج آن سوگیری یا عدم دقت داشته باشد.
• نبود هموسکداستیک بودن معمولاً نشان می‌دهد که مدل به متغیرهای پیش‌بینی‌کننده بیشتری نیاز دارد یا ساختار داده‌ها پیچیده‌تر از فرضیات مدل است.

نکات کلیدی

• Homoskedasticity: واریانس خطاها ثابت است → مدل پایدار و نتایج قابل اعتماد.
• Heteroskedasticity: واریانس خطاها متغیر است → احتمال وجود متغیرهای مهم حذف‌شده یا مشکلات مدل.
• بررسی این ویژگی برای اطمینان از صحت تحلیل رگرسیون ضروری است.

مثال ساده

فرض کنید یک مدل رگرسیون برای پیش‌بینی درآمد افراد بر اساس سن ساخته‌اید. اگر خطاهای پیش‌بینی برای افراد جوان و مسن تقریباً یکسان باشد، مدل شما هوموسکداستیک است. اما اگر خطاها برای افراد مسن خیلی بزرگ‌تر باشد، مدل شما هتروسکداستیک است و باید اصلاح شود.