บทความไม่เคยคิดว่า homoskadasticity ในคำจำกัดความ ที่จะนำมันในบริบทของบทความ homoskedasticity จะบอกว่า
อยู่ที่ไหนเป็นตัวตนของเมทริกซ์และเป็น จำนวนสเกลาร์บวก Heteroscadasticity ช่วยให้
E{(x^−x)(x^−x)T}=σI
In×nσ
E{(x^−x)(x^−x)T}=D
diaganol ใด ๆ ที่เป็นบวกแน่นอน บทความนี้นิยามเมทริกซ์ความแปรปรวนร่วมโดยทั่วไปที่สุดเท่าที่จะเป็นไปได้ขณะที่วินาทีที่สองเป็นศูนย์กลางของการแจกแจงหลายตัวแปรโดยนัย เราจะต้องรู้ว่าการกระจายหลายตัวแปรของที่จะได้รับการประมาณการที่มีประสิทธิภาพและสอดคล้อง asymptotically ของx สิ่งนี้จะมาจากฟังก์ชั่นความน่าจะเป็น (ซึ่งเป็นส่วนประกอบที่จำเป็นของคนหลัง) ตัวอย่างเช่นสมมติว่า (เช่นจากนั้นฟังก์ชันความน่าจะเป็นโดยนัยคือ
โดยที่เป็นไฟล์ PDF แบบหลายตัวแปรปกติDex^e∼N(0,Σ)E{(x^−x)(x^−x)T}=Σ
log[L]=log[ϕ(x^−x,Σ)]
ϕ
ฟิชเชอร์ข้อมูลเมทริกซ์อาจถูกเขียนเป็น
ดู en.wikipedia.org/wiki/Fisher_information มากขึ้น มันมาจากที่นี่ว่าเราสามารถได้รับมา
ดังกล่าวข้างต้นคือการใช้ฟังก์ชั่นการสูญเสียกำลังสอง แต่ไม่ได้สมมติ homoscedasticity
I(x)=E[(∂∂xlog[L])2∣∣∣x]
n−−√(x^−x)→dN(0,I−1(x))
ในบริบทของ OLS ที่เราถดถอยบนเราถือว่า
โอกาสในการใช้งานโดยนัยคือ
ซึ่งอาจถูกเขียนใหม่อย่างสะดวกสบายเป็น
the pdf แบบ univariate ข้อมูลการประมงคือ
yx
E{y|x}=x′β
log[L]=log[ϕ(y−x′β,σI)]
log[L]=∑i=1nlog[φ(y−x′β,σ)]
φI(β)=[σ(xx′)−1]−1
ถ้า homoskedasticity ไม่ตรงตามข้อมูลฟิชเชอร์ที่ระบุไว้จะพลาด (แต่ฟังก์ชันการคาดการณ์ตามเงื่อนไขยังคงถูกต้อง) ดังนั้นการประมาณการของจะสอดคล้องกัน แต่ไม่มีประสิทธิภาพ เราสามารถเขียนความเป็นไปได้ที่จะบัญชีสำหรับ heteroskacticity และการถดถอยมีประสิทธิภาพนั่นคือเราสามารถเขียน
นี่เทียบเท่ากับรูปแบบทั่วไปของ Least Squares บางรูปแบบ เช่นถ่วงน้ำหนักอย่างน้อยกำลังสอง อย่างไรก็ตามสิ่งนี้จะβ
log[L]=log[ϕ(y−x′β,D)]
เปลี่ยนเมทริกซ์ข้อมูลฟิชเชอร์ ในทางปฏิบัติเรามักจะไม่รู้จักรูปแบบของความแตกต่างทางเพศดังนั้นบางครั้งเราชอบยอมรับความไร้ประสิทธิภาพมากกว่าที่จะให้โอกาสเกิดการถดถอยโดยพลาดการระบุแผนการถ่วงน้ำหนัก ในกรณีดังกล่าวแปรปรวน asymptotic ของคือ
ไม่ตามที่ระบุไว้ข้างต้น
β 1nI−1(β)