Heteroskedastisuus on tilastollinen termi, jota käytetään kuvaamaan otoksen varianssin ja keskihajonnan käyttäytymistä. Jos laatu on läsnä, muuttujan dispersio ja keskihajonta eivät ole vakioita koko otantatiedon kaaviossa. Jos nämä toimenpiteet ovat vakioita, tietojen sanotaan olevan homoskedastisia.
Muuttujan varianssilla mitataan, kuinka kauas havaitut arvot ovat hajallaan keskiarvosta. Keskihajonta on varianssin neliöjuuri, ja sitä käytetään usein kuvaamaan jakaumia. Chebyshevin lauseessa kuvatun suhteen mukaan tietyn prosenttiosuuden tiedoista on kuuluttava jokaiseen keskihajontaan keskiarvosta. Esimerkiksi vähintään 75 prosenttia näytteen datapisteistä on oltava kahden keskihajonnan sisällä keskiarvosta. Näin ollen näytteen keskihajonta antaa karkeaa tietoa kunkin datapisteen suhteellisesta sijainnista.
Heteroskedastisuutta on kahta lajiketta: ehdollinen ja ehdoton. Jos tiedot ovat ehdollisesti heteroskedastisia, analyytikot eivät voi ennustaa, milloin tiedot ovat enemmän hajallaan ja milloin ne ovat vähemmän hajallaan. Tämä koskee rahoitustuotteiden hintoja, mukaan lukien osakkeet.
Ehdoton heteroskedastisuus on ennustettavissa. Muuttujilla, jotka ovat luonteeltaan suhdanneherkkiä, on yleensä tämä ominaisuus. Muuttujat, joiden varianssi muuttuu tasonsa mukaan, ovat myös ehdoitta hetroskedastisia. Voit esimerkiksi ennustaa, että jos voit pitää jotain kädessäsi, voit mitata sen painon melko tarkasti; saatat saada korkeintaan muutaman kilon tai kilon. Jos sinua pyydetään arvioimaan rakennuksen paino, saatat kuitenkin olla väärässä tuhansia kiloja tai kiloja – arvauksesi vaihtelu kasvaa ennustettavasti kohteen painon mukaan.
Se, onko heteroskedastisuus läsnä, vaikuttaa tietojen tilastollisen analyysin oikeaan tulkintaan. Laatu ei vaikuta regressioon; tämä tarkoittaa, että parhaiten sopivien kaavioiden sijoittamismenetelmät toimivat yhtä hyvin sekä heteroskedastisten että homoskedastisten tietojen kanssa. Nämä kaaviot luodaan etsimällä datakertoimet, jotka mittaavat, kuinka paljon tietty muuttuja vaikuttaa tulokseen. Heteroskedastisuus vääristää mallien palauttamien kertoimien varianssin arvoja.
On olemassa erilaisia matemaattisia testejä, jotka voivat määrittää, onko muuttujan näytteessä heteroskedastaisuutta. Monet näistä testeistä ovat saatavilla tilastotietojen analysointiohjelmistossa. Tarkkailija voi myös havaita joitain heteroskedastisia tapauksia katsomalla otoskaaviota. Etsi kaavion alueita, jotka ovat hajallaan enemmän tai vähemmän; on kuitenkin tärkeää erottaa toisistaan hajonnan määrän todelliset vaihtelut ja ryhmittymät, joita odotetaan jakaumissa, joissa on satunnaisuus.