STATISTIK-FORUM.de

[janne]

Hi.

Will gerade eine Regressionsanalyse durchführen und habe dabei das Problem, das wie so oft meine Daten nicht homoskedatisch sind. Jetzt habe ich gelesen, dass mir bootstraping dabei weiterhelfen kann.
Ich glaube verstanden zu haben, was bootstraping macht. Ich habe aber nicht verstanden, was das mit homo/heteroskedastizität zu tun hat.

Kann mir dies hier vielleicht jemand erklären?

Vielen lieben Dank schon einmal im Voraus.

Schöne Grüße
janne

[daniel]

Auf das grundsätzliche Prinzip begrenzt, ist bootstrapping eine Möglichkeit die Standradfehler empirisch aus den Daten zu schätzen. Ähnlich wie das bei robusten (Sandwich) Standardfehlern der Fall ist. Da die Fehler empirisch geschätzt werden, benötigt man die Annahme der Homoskedastie nicht länger, die den "normalen" OLS Standardfehlern zugrunde liegen.

[janne]

Hallo Daniel,

vielen Dank für deine Antwort.

Das heißt konkret, dass bei het. Daten und der Benutzung von Bootstrap eine OLS gerechnet werden darf und die Annahmen nicht verletzt sind?
Auch bei einer Verletzung der Normalverteilung der Residuen und einer vergleichsweise großen Stichprobe dürften die Ergebnisse der Regressionsanalyse dann zuverlässige Daten liefern. Ist das so richtig?

Viele Grüße
janne

[DHA3000]

Bootstrapping ist eine andere Herangehendmethode an die Schätzung. Daher kannst du das nicht einfach miteinander vergleichen. Es bietet sich an, die Standardlösungen im Falle von Het. zu verwenden.
Bootstrapping ist etwas extravaganter und wird normalerweise nicht für einfache Regressionsgleichungen eingewendet.

[janne]

Ok.

Aber was kann ich tun, wenn nach dem Log der AV noch immer het vorliegt?

Viele Grüße
janne

[DHA3000]

Robuste Standardfehler nehmen.

[PonderStibbons]

Das heißt konkret, dass bei het. Daten und der Benutzung von Bootstrap eine OLS gerechnet werden darf und die Annahmen nicht verletzt sind?
Auch bei einer Verletzung der Normalverteilung der Residuen und einer vergleichsweise großen Stichprobe dürften die Ergebnisse der Regressionsanalyse dann zuverlässige Daten liefern. Ist das so richtig?

Das lässt sich nicht beantworten, weil die Frage unklar gestellt ist.
Eine OLS "darfst" Du sowieso immer rechnen. Das Problem ist bei
Verletzung der genannten Verteilungsannahmen nicht, dass die
Regression die Regressionsgewichte falsch schätzen würde. Sondern
dass die Signifikanztests falsche Ergebnisse liefern, wenn die
Standardfehler verzerrt sind.

[daniel]

Das heißt konkret, dass bei het. Daten und der Benutzung von Bootstrap eine OLS gerechnet werden darf und die Annahmen nicht verletzt sind?

Vielleicht weniger missverständlich ausgedrückt: Weil die Annahme homoskedastischer Fehler verletzt ist, werden die Standardfehler der OLS Koeffizienten mittels bootstrap geschätzt.