Per fornire definizioni precise, lascia che X1, ... , Xn siano variabili casuali a valore reale.
La stazionarietà viene generalmente definita solo se pensiamo all'indice delle variabili come tempo . In questo caso la sequenza di variabili casuali è fissa su ha la stessa distribuzione di . Ciò implica, in particolare, che per hanno tutti la stessa distribuzione marginale e quindi la stessa media e varianza marginali (dato che hanno un secondo momento finito).X1, ... , Xn - 1X2, ... , XnXioi = 1 , … , n
Il significato dell'eteroscedasticità può dipendere dal contesto. Se le varianze marginali di cambiano con (anche se la media è costante) le variabili casuali vengono chiamate eteroscedastiche nel senso di non essere omoscedastiche.Xioio
Nell'analisi di regressione di solito consideriamo la varianza della risposta in modo condizionale sui regressori e definiamo l'eteroscedasticità come una varianza condizionale non costante.
In analisi di serie temporali, dove la terminologia eteroscedasticità condizionale è comune, l'interesse è tipicamente la varianza di condizionatamente . Se questa varianza condizionale non è costante, abbiamo un'eteroscedasticità condizionale. Il modello ARCH (eteroscedasticità condizionale autoregressiva) è l'esempio più famoso di un modello di serie storica stazionario con varianza condizionale non costante.XKXk - 1, ... , X1
L'eteroscedasticità (in particolare l'eteroscedasticità) non implica una non stazionarietà in generale.
La stazionarietà è importante per una serie di motivi. Una semplice conseguenza statistica è che la media
è quindi uno stimatore imparziale dell'attesa (e ipotizzando ergodicità , che è leggermente più rispetto alla stazionarietà e spesso assunta implicitamente, la media è uno stimatore coerente delle aspettative per ).
1nΣi = 1nf( Xio)
Ef( X1)n → ∞
L'importanza dell'eteroscedasticità (o omoscedasticità) è, da un punto di vista statistico, correlata alla valutazione dell'incertezza statistica, ad esempio il calcolo degli intervalli di confidenza. Se i calcoli vengono eseguiti ipotizzando l'omoscedasticità mentre i dati mostrano effettivamente eteroscedasticità, gli intervalli di confidenza che ne risultano possono essere fuorvianti.