Гетероскедастичність може свідчити про те, що ми пропускаємо більше, коли прогнозуємо вхідні дані з високими значеннями. Отже так, ви можете мати нормально розподілені значення, які представляють гетероскедастичність у поєднанні з відповідним входом.
Наслідки гетероскедастичності Гетероскедастичності призводить до того, що OLS більше не є оцінювачем мінімальної дисперсії. 3. Гетероскедастичність призводить до зміщення оцінених дисперсій коефіцієнтів регресії, що призводить до ненадійної перевірки гіпотези.
Ще одна поширена проблема гетероскедастичності полягає в тому, що вона може внести зміщення в оцінки стандартної помилки коефіцієнтів регресії, роблячи t-тести для окремих коефіцієнтів ненадійними. Зокрема, гетероскедастичні помилки мають тенденцію завищувати t-статистику та недооцінювати стандартні помилки.
Стандартна гетероконсистентна скоригована модель (HCSE) коригує стандартні помилки коефіцієнтів моделі. Це не змінює розрахункових значень коефіцієнтів. тому це не змінює залишки або R у квадраті. Ви отримуєте те саме R у квадраті зі стандартною оцінкою МНК.
Ні, ваш розподіл не можна вважати нормальним. Якщо ваш хвіст ліворуч довший, ми називаємо цей розподіл «негативно викривленим», і з практичної точки зору це означає, що на верхньому кінці розподілу відбувся вищий рівень випадків.