مثلي الجنس
ما هو Homoskedastic؟
يشير مصطلح Homoskedastic (الذي يُكتب أيضًا باسم "homoscedastic") إلى حالة يكون فيها التباين في المصطلح المتبقي أو مصطلح الخطأ في نموذج الانحدار ثابتًا. أي أن مصطلح الخطأ لا يختلف كثيرًا كما تتغير قيمة متغير التوقع. هناك طريقة أخرى لقول ذلك وهي أن تباين نقاط البيانات هو نفسه تقريبًا لجميع نقاط البيانات.
يشير هذا إلى مستوى من التناسق ويجعل من السهل نمذجة البيانات والعمل معها من خلال الانحدار ؛ ومع ذلك ، قد يشير الافتقار إلى المرونة المثلية إلى أن نموذج الانحدار قد يحتاج إلى تضمين متغيرات تنبؤية إضافية لشرح أداء المتغير التابع.
كيف تعمل اللواط
تعد المثلية المطاطية أحد الافتراضات لنمذجة li بالقرب من الانحدار والبيانات من هذا النوع تعمل بشكل جيد مع طريقة المربعات الصغرى. إذا كان تباين الأخطاء حول خط الانحدار يختلف كثيرًا ، فقد يتم تعريف نموذج الانحدار بشكل سيئ.
إن نقيض المرونة المتجانسة هو مغايرة التغاير مثلما هو عكس "المتجانسة" "غير المتجانسة". تشير المرونة غير المتجانسة (التي يتم تهجئتها أيضًا "المرونة غير المتجانسة") إلى حالة لا يكون فيها تباين مصطلح الخطأ في معادلة الانحدار ثابتًا.
إعتبارات خاصة
يتكون نموذج الانحدار البسيط ، أو المعادلة ، من أربعة شروط. على الجانب الأيسر يوجد المتغير التابع. إنه يمثل الظاهرة التي يسعى النموذج إلى "تفسيرها". على الجانب الأيمن يوجد ثابت ، متغير توقع ، ومصطلح متبقٍ أو خطأ. يوضح مصطلح الخطأ مقدار التباين في المتغير التابع الذي لم يتم تفسيره بواسطة متغير التوقع.
مثال على Homoskedastic
على سبيل المثال ، افترض أنك تريد شرح درجات اختبار الطالب باستخدام مقدار الوقت الذي يقضيه كل طالب في الدراسة. في هذه الحالة ، ستكون درجات الاختبار هي المتغير التابع وسيكون الوقت المستغرق في الدراسة هو متغير التوقع.
سيُظهر مصطلح الخطأ مقدار التباين في درجات الاختبار الذي لم يتم تفسيره بمقدار الوقت الذي تستغرقه الدراسة. إذا كان هذا التباين موحدًا ، أو متماثلًا ، فإن ذلك قد يشير إلى أن النموذج قد يكون تفسيرًا مناسبًا لأداء الاختبار - شرحه من حيث الوقت المستغرق في الدراسة.
لكن قد يكون التباين متباينًا. قد يُظهر مخطط بيانات مصطلح الخطأ قدرًا كبيرًا من وقت الدراسة يتوافق بشكل وثيق جدًا مع درجات الاختبار العالية ، لكن درجات اختبار وقت الدراسة المنخفض تباينت على نطاق واسع وحتى تضمنت بعض الدرجات العالية جدًا.
لذا فإن تباين الدرجات لن يتم تفسيره بشكل جيد ببساطة من خلال متغير توقع واحد - مقدار الوقت الذي تستغرقه الدراسة. في هذه الحالة ، من المحتمل أن يكون هناك عامل آخر في العمل ، وقد يحتاج النموذج إلى التعزيز من أجل التعرف عليه أو تحديده.
عند اعتبار أن التباين هو الفرق المقاس بين النتيجة المتوقعة والنتيجة الفعلية لحالة معينة ، يمكن أن يساعد تحديد المرونة المثلية في تحديد العوامل التي يجب تعديلها من أجل الدقة.
قد يكشف المزيد من الاستقصاء أن بعض الطلاب قد شاهدوا إجابات الاختبار مسبقًا أو أنهم قد أجروا اختبارًا مشابهًا في السابق ، وبالتالي لم يكونوا بحاجة إلى الدراسة لهذا الاختبار بالذات. لهذه المسألة ، قد يتضح أن الطلاب لديهم مستويات مختلفة من قدرات اجتياز الاختبار بغض النظر عن وقت دراستهم وأدائهم في الاختبارات السابقة ، بغض النظر عن الموضوع.
لتحسين نموذج الانحدار ، سيتعين على الباحث تجربة متغيرات تفسيرية أخرى يمكن أن توفر ملاءمة أكثر دقة للبيانات. على سبيل المثال ، إذا رأى بعض الطلاب الإجابات في وقت مبكر ، فسيكون لنموذج الانحدار متغيرين توضيحيين: وقت الدراسة ، وما إذا كان الطالب لديه معرفة مسبقة بالإجابات.
باستخدام هذين المتغيرين ، سيتم شرح المزيد من التباين في درجات الاختبار وقد يكون التباين في مصطلح الخطأ عندئذٍ متماثلًا ، مما يشير إلى أن النموذج كان محددًا جيدًا.
يسلط الضوء
إذا كان تباين مصطلح الخطأ متماثلًا ، فهذا يعني أن النموذج محدد جيدًا. إذا كان هناك تباين كبير جدًا ، فقد لا يتم تعريف النموذج جيدًا.
تحدث المرونة المثلية عندما يكون تباين مصطلح الخطأ في نموذج الانحدار ثابتًا.
على العكس من ذلك ، تحدث التغايرية عندما لا يكون التباين في مصطلح الخطأ ثابتًا.
يمكن أن تساعد إضافة متغيرات توقع إضافية في شرح أداء المتغير التابع.
التعليمات
لماذا تعتبر المرونة المثلية مهمة؟
تعتبر اللواط المثلي أمرًا مهمًا لأنه يحدد الاختلافات في السكان. أي تباين في مجتمع أو عينة ليس حتى ينتج عنه نتائج منحرفة أو متحيزة ، مما يجعل التحليل غير صحيح أو لا قيمة له.
ماذا تعني المرونة غير المتجانسة؟
التباين في الإحصاء هو تباين الخطأ. هذا هو اعتماد التشتت الذي يحدث داخل عينة بمتغير مستقل واحد على الأقل. هذا يعني أن الانحراف المعياري لمتغير يمكن التنبؤ به غير ثابت.
كيف يمكنك معرفة ما إذا كان الانحدار هو Homoskedastic؟
يمكنك معرفة ما إذا كان الانحدار متماثلًا من خلال النظر إلى النسبة بين التباين الأكبر والأصغر. إذا كانت النسبة 1.5 أو أقل ، فإن الانحدار يكون متماثلًا.
