ดังที่ Aksakal ได้กล่าวไว้ในคำตอบของเขาวิดีโอ Ken T ที่เชื่อมโยงอธิบายคุณสมบัติของแนวโน้มไม่ใช่โมเดลโดยตรงน่าจะเป็นส่วนหนึ่งของการสอนเกี่ยวกับหัวข้อที่เกี่ยวข้องกับแนวโน้มและความแตกต่างในด้านเศรษฐศาสตร์ เนื่องจากในคำถามของคุณคุณถามเกี่ยวกับแบบจำลองนี่คือในบริบทของแบบจำลอง :
แบบจำลองหรือกระบวนการสุ่มถ้ามีการสุ่ม ตัวอย่างเช่นหากได้รับอินพุตเดียวกัน (ตัวแปรอิสระ, น้ำหนัก / พารามิเตอร์, พารามิเตอร์ไฮเปอร์พารามิเตอร์ ฯลฯ ) โมเดลอาจสร้างเอาต์พุตที่แตกต่างกัน ในโมเดลที่กำหนดขึ้นแล้วเอาต์พุตจะถูกระบุอย่างสมบูรณ์โดยอินพุตไปยังโมเดล (ตัวแปรอิสระ, น้ำหนัก / พารามิเตอร์, พารามิเตอร์ไฮเปอร์พารามิเตอร์ ฯลฯ ) ซึ่งให้อินพุตเดียวกันกับโมเดลเอาต์พุตนั้นเหมือนกัน ที่มาของคำว่า "สุ่ม" มาจากกระบวนการสุ่ม ตามกฎทั่วไปของหัวแม่มือหากแบบจำลองมีตัวแปรสุ่มมันจะสุ่ม แบบจำลอง Stochastic สามารถเป็นตัวแปรสุ่มแบบง่ายๆได้
ลองแกะคำศัพท์เพิ่มเติมที่จะช่วยให้คุณเข้าใจวรรณกรรมรอบตัวแบบสถิติ (ที่กำหนดขึ้นมาแบบสุ่มหรืออื่น ๆ ... ):
แบบจำลองสโตแคสติกไม่จำเป็นต้องขึ้นกับเวลาหรือแม้แต่กระบวนการมาร์คอฟ (ขึ้นอยู่กับสถานะที่ผ่านมาเช่นคือมาร์คอฟอันดับหนึ่งเนื่องจากมันขึ้นอยู่กับสถานะที่ ) โมเดลเชิงเส้นที่คุณโพสต์ไว้ด้านบนคือสุ่ม (มีตัวแปรสุ่ม) แต่ไม่ใช่มาร์คอฟ (ไม่ขึ้นอยู่กับสถานะที่ผ่านมา) ในตัวแบบเชิงเส้นที่วางไว้ในคำถามข้อผิดพลาดเป็นตัวแปรสุ่มที่เราถือว่าไม่มีการเชื่อมโยง (บางคนไปไกลกว่าที่จะระบุว่าข้อผิดพลาดคือ iid) กระจายแบบสมมาตรเกี่ยวกับค่าเฉลี่ย (บางคนไปไกลกว่า กระจาย) และหมายถึงศูนย์ ( ) ฯลฯ เราทำสมมติฐานเหล่านี้เพื่อทำให้แบบจำลองเชิงเส้นมีประโยชน์ในการประมาณA R ( 1 )t - 1μεเสื้อ= 0ตัวแปรตาม (s) โดยการลดบรรทัดฐานของข้อผิดพลาดนั้นให้น้อยที่สุด สมมติฐานเหล่านี้ทำให้เราได้รับคุณสมบัติที่มีประโยชน์ของตัวประมาณและพิสูจน์ว่าตัวประมาณบางตัวดีที่สุดภายใต้สมมติฐานเหล่านั้น ยกตัวอย่างเช่นว่าOLS ประมาณการเป็นสีฟ้า
ตัวอย่างที่เรียบง่ายของรูปแบบสุ่มจะพลิกเหรียญยุติธรรม (หัวหรือหาง) ซึ่งสามารถจำลอง stochastically เป็น IID กระจายตัวแปรสุ่มไบนารีหรือกระบวนการ Bernoulli นอกจากนี้คุณยังสามารถพิจารณาการพลิกเหรียญเป็นระบบทางกายภาพและมาพร้อมกับรูปแบบที่กำหนดขึ้น (ในการตั้งค่าในอุดมคติ) หากคุณคำนึงถึงรูปร่างของเหรียญมุมและแรงกระแทกระยะห่างจากพื้นผิวเป็นต้นหาก แบบจำลองทางกายภาพ (ทางกายภาพ) ของการพลิกเหรียญไม่มีตัวแปรแบบสุ่มในนั้น (เช่นไม่พิจารณาความผิดพลาดในการวัดของอินพุตใด ๆ ในแบบจำลอง) จากนั้นจะถูกกำหนดขึ้น
ในสถิติการสอนมีจุดสับสนระหว่าง stochasticity และheteroscedasticityทั่วไป ตัวอย่างเช่น Ken T มีความสับสนสุ่มสำหรับ heteroscedasticity (หรือความแปรปรวนในความแปรปรวน) ตัวแปรสุ่ม (สุ่ม) เช่นตัวแปรส่งออกของกระบวนการหรือในโมเดลเชิงเส้นคือ heteroscedastic iff ความแปรปรวนของการเปลี่ยนแปลงบางอย่างเช่นเวลา ( ) ใน กรณีนี้เช่นนั้นกลุ่มที่แตกต่างกันภายในประชากรจะมีผลต่างต่างกัน ในวิดีโอที่ Ken T เชื่อมโยง (โดย Ben Lambert) หากคุณหยุดชั่วคราวในเวลา 4:00 น. (4 นาที) คุณจะเห็น R ( 1 ) ε T Y T = x T + ε เสื้อ T V R [ X T ] T V R [ X ทีXเสื้อA R ( 1 )εเสื้อYเสื้อ= a xเสื้อ+ ϵเสื้อเสื้อVR [ Xเสื้อ]ในโมเดลทางด้านขวาเปลี่ยนแปลงด้วย (heteroscedastic) ในขณะที่ในโมเดลเชิงเส้นเป็นค่าคงที่ (homoscedastic)เสื้อVR [ Xเสื้อ]
นอกจากนี้ยังมีความสับสนในบางครั้งระหว่างกระบวนการสุ่มแบบนิ่งและแบบสุ่มนิ่ง Stationarity แสดงว่าสถิติเช่นค่าเฉลี่ยหรือความแปรปรวนไม่เปลี่ยนแปลงตลอดเวลาในตัวแบบ ทั้งสองยังถือว่าเป็นตัวแบบสุ่ม / กระบวนการตราบใดที่มีการสุ่มเกี่ยวข้อง ในฐานะเพื่อนมารูนแมทธิวกันน์กล่าวถึงคำตอบของเขาการสลายตัวของ Woldระบุว่ากระบวนการ Stochastic แบบคงที่ใด ๆ สามารถเขียนเป็นผลรวมของกระบวนการที่กำหนดขึ้นมาและกระบวนการสุ่ม