რეგრესიული ანალიზის პრაქტიკული გამოყენებისას ხშირად ნაშთების განაწილება სხვადასხვა მონაცემისათვის არ არის ერთი და იგივე. ამის გამო გადაწყვეტილებანი, მიღებული F სტატისტიკებზე დაყრდნობით შეიძლება იყოს მცდარი.  ნაშთების დისპერსიების  ჰომოსკედასტიკურობა ნიშნავს ნაშთების დისპერსიების მუდმივობას, ჰეტეროსკედასტიკურობა კი, ნაშთების დისპერსიების ცვალებადობას. მაგალითად, თუ მომხმარებლობის ქულების დისპერსიები მუდმივია შემოსავალის სხვადასხვა დონისათვის, მაშინ ნაშთების დისპერსიები რეგრესიულ მოდელში იქნებიან ჰომოსკედასტურები. მაგრამ, როგორც წესი,  დიდი შემოსავლის მქონე  სუბიექტები მეტს მოიხმარენ, ვიდრე მცირე შემოსავლის მქონე სუბიექტები. ამის გამო, ნაშთების დისპერსიები იზრდებიან შემოსავალთან ერთად და დისპერსიები იქნებიან ჰეტეროსკედასტიკური. ჰეტეროსკედასტიკურობა შეიძლება აღმოჩენილი იყოს სხვადასხვა ტესტით, როგორებიცაა სპირმენის, პარკის, გლეიზერის, გოლდფეილ-კვანდტის და უაიტის ტესტები. არსებობს ჰეტეროსკედასტიკურობის შემცირების რამოდენიმე მეთოდი: 1. შეწონილი უმცირეს კვადრატთა მეთოდი რეგრესიული მოდელის პარამეტრების შესაფასებლად, 2. მონაცემების შეცვლა მათი ლოგარითმებით, 3. „კომპეტენციის უბნების“ განსაზღვრა, სადაც შეცდომების დისპერსიები სტაბილური არიან და ამ უბნებში რეგრესიული მოდელის შექმნა.

***

გამოყენებული ლიტერატურა:

Field, A. (2013). Discovering Statistics Using IBM SPSS Statistics. SAGE Publications Ltd.

კისი, ჰ. (2008). სტატისტიკა სოციალურ მეცნიერებებში. სოციალურ მეცნიერებათა ცენტრი.  თბილისის უნივერსიტეტის გამომცემლობა