ในการให้คำจำกัดความที่แม่นยำให้เป็นตัวแปรสุ่มมูลค่าจริงX1, … ,Xn
stationarityมักจะถูกกำหนดไว้เฉพาะในกรณีที่เราคิดว่าของดัชนีของตัวแปรเป็นเวลา ในกรณีนี้ลำดับของตัวแปรสุ่มนิ่งของมีการกระจายเช่นเดียวกับX_n นี่หมายถึงโดยเฉพาะอย่างยิ่งที่สำหรับทุกคนมีการกระจายตัวแบบเดียวกันและดังนั้นค่าเฉลี่ยและความแปรปรวนเดียวกัน (เนื่องจากพวกเขามีช่วงเวลาที่สองที่แน่นอน)X1, … ,Xn - 1X2, … ,XnXผมi = 1 , … , n
ความหมายของheteroscedasticityสามารถขึ้นอยู่กับบริบท หากความแปรปรวนเล็กน้อยของXผมเปลี่ยนด้วย ผม(แม้ว่าค่าเฉลี่ยจะเป็นค่าคงที่) ตัวแปรสุ่มจะถูกเรียกว่า heteroscedastic ในแง่ของการไม่เป็นแบบ homoscedastic
ในการวิเคราะห์การถดถอยเรามักจะพิจารณาความแปรปรวนของการตอบสนองแบบมีเงื่อนไขบน regressors และเรากำหนด heteroscedasticity เป็นความแปรปรวนเงื่อนไขแบบไม่คงที่
ในการวิเคราะห์อนุกรมเวลาซึ่งคำศัพท์heteroscedasticity แบบมีเงื่อนไขเป็นเรื่องปกติความสนใจมักจะอยู่ในความแปรปรวนของXk เปิดเงื่อนไข Xk - 1, … ,X1. หากความแปรปรวนแบบมีเงื่อนไขนี้ไม่คงที่เราจะมีความแตกต่างแบบมีเงื่อนไข แบบจำลอง ARCH (heteroscedasticity แบบปรับเงื่อนไขตามเงื่อนไข) เป็นตัวอย่างที่มีชื่อเสียงที่สุดของรุ่นอนุกรมเวลาแบบนิ่งซึ่งมีความแปรปรวนแบบไม่คงที่ตามเงื่อนไข
Heteroscedasticity (โดยเฉพาะอย่างยิ่ง heteroscedasticity แบบมีเงื่อนไข) ไม่ได้บอกเป็นนัย ๆ ว่า
ความคงที่มีความสำคัญด้วยเหตุผลหลายประการ ผลทางสถิติอย่างง่าย ๆ อย่างหนึ่งก็คือค่าเฉลี่ย
1nΣi = 1nฉ(Xผม)
เป็นตัวประมาณความเป็นกลาง
Eฉ(X1)(และสมมติว่า
ergodicityซึ่งเล็กน้อยกว่า stationarity และมักจะสันนิษฐานโดยปริยายค่าเฉลี่ยเป็นตัวประมาณความสอดคล้องของความคาดหวังสำหรับ
n → ∞)
ความสำคัญของ heteroscedasticity (หรือ homoscedasticity) คือจากมุมมองทางสถิติที่เกี่ยวข้องกับการประเมินความไม่แน่นอนทางสถิติเช่นการคำนวณช่วงความเชื่อมั่น หากการคำนวณถูกดำเนินการภายใต้สมมติฐานของ homoscedasticity ในขณะที่ข้อมูลแสดงให้เห็นว่า heteroscedasticity จริงช่วงความเชื่อมั่นที่เกิดขึ้นอาจทำให้เข้าใจผิด