Espera-se que uma regressão se ajuste igualmente bem para todos os valores de X. Quando as variâncias dos erros são constantes, os erros são homoce...

Espera-se que uma regressão se ajuste igualmente bem para todos os valores de X. Quando as variâncias dos erros são constantes, os erros são homocedásticos; quando elas não são constantes, os erros são heterocedásticos. A heterocedasticidade é um problema sério; ainda que as estimativas de mínimos quadrados dos parâmetros da regressão sejam não viciadas e consistentes, as variâncias estimadas são viesadas e não eficientes. Em algumas regressões, é possível se deparar com a heterocedasticidade que pode surgir, por exemplo, em dados de séries temporais quando X e Y aumentam em magnitude ao longo do tempo, aumentando também os erros. Existem algumas estratégias para corrigi-la. Quando tratamos com dados financeiros, por exemplo, a heterocedasticidade pode eventualmente ser reduzida expressando os dados em dólares constantes (dividir os valores por um índice de preços). Ou, quando os dados forem transversais, considerando o número de ocorrências de determinado evento, a heterocedasticidade pode ser minimizada expressando os dados em termos relativos (taxas). Outra possibilidade para reduzir a heterocedasticidade é transformar as variáveis, o que implicaria especificar um novo modelo. A heterocedasticidade gera subestimação das variâncias dos estimadores, estatísticas t superestimadas e intervalos de confiança equivocados. Um teste visual que pode ser feito da homocedasticidade é o exame do diagrama de dispersão dos resíduos contra cada preditor ou contra os valores ajustados da variável dependente. Sabendo disso, suponha que você tenha recebido um problema para analisar a não normalidade e a heterocedasticidade, explicando o que está ocorrendo.