Какова твоя цель? Мы знаем, что гетероскедастичность не влияет на наши оценки коэффициентов; это только делает наши стандартные ошибки неправильными. Следовательно, если вы заботитесь только о соответствии модели, то гетероскедастичность не имеет значения.
Вы можете получить более эффективную модель ( то есть модель с меньшими стандартными ошибками), если используете взвешенные наименьшие квадраты. В этом случае вам необходимо оценить дисперсию для каждого наблюдения и взвесить каждое наблюдение с помощью инверсии этой дисперсии, специфичной для наблюдения (в случае weights
аргумента lm
). Эта процедура оценки меняет ваши оценки.
В качестве альтернативы, чтобы исправить стандартные ошибки гетероскедастичности без изменения ваших оценок, вы можете использовать надежные стандартные ошибки. Для R
приложения, смотрите пакет sandwich
.
Использование преобразования журнала может быть хорошим подходом для исправления гетероскедастичности, но только в том случае, если все ваши значения положительны и новая модель обеспечивает разумную интерпретацию относительно вопроса, который вы задаете.