The random error is generally distr

The random error is generally distributed normally with a zero mean and constant variance 2, and the parameters are estimated by the ordinary least squares method. Nevertheless, to take the heteroscedasticity into account, a variance function that involves the predicted values or other explanatory variables must be considered
(Fortin et al., 2007). The estimation of the parameters of this variance function can be observed as a weighted regression; the weight of which is parameterised instead of being fixed arbitrarily. An example of this function is based on the power of the predicted value, as indicated in Eq. (2).
Var(εi)
where 2 is the residual variance, yi is the predicted value of fruits for plant i and  is a parameter to be estimated using the generalised least squares method (Pinheiro et al., 2011). This means that the random error continues to be distributed normally with a zero mean but with nonconstant variance 2y2
Another way to control the variance is by means of variable transformation. The transformed variables model is defined according to Eq. (3).

ผลลัพธ์ (ไทย) 1:

ข้อผิดพลาดแบบสุ่มทั่วกระจายตามปกติกับการศูนย์เฉลี่ย และคงผลต่าง 2 และมีประเมินพารามิเตอร์ ด้วยวิธีกำลังสองน้อยสุดธรรมดา อย่างไรก็ตาม ถึง heteroscedasticity ฟังก์ชันผลต่างที่เกี่ยวข้องกับค่าคาดการณ์หรือตัวแปรอธิบายอื่น ๆ ต้องพิจารณา(Fortin et al., 2007) การประเมินของพารามิเตอร์ของฟังก์ชันนี้ต่างที่สามารถสังเกตเป็นการถ่วงน้ำหนักถด น้ำหนักซึ่งเป็น parameterised แทนที่คงที่โดย ตัวอย่างของฟังก์ชันนี้จะขึ้นอยู่กับอำนาจของค่าคาดการณ์ ตามที่ระบุใน Eq. (2)Var(εi)2 เป็นผลต่างส่วนที่เหลือ ยี่คือ ค่าคาดการณ์ของผลไม้ในโรงฉัน และการถูกประเมินโดยใช้วิธีกำลังสองน้อยสุด generalised (Pinheiro et al., 2011) หมายความ ว่า ข้อผิดพลาดแบบสุ่มยังคงให้มีกระจายปกติ มีค่าเฉลี่ยเป็นศูนย์ แต่ มีผลต่าง nonconstant 2 y2อีกวิธีหนึ่งในการควบคุมความแปรปรวน โดยการแปลงตัวแปรได้ มีกำหนดแบบจำลองตัวแปรแปรตาม Eq. (3)

ผลลัพธ์ (ไทย) 2:

ข้อผิดพลาดที่มีการกระจายแบบสุ่มโดยทั่วไปตามปกติกับศูนย์ค่าเฉลี่ยและความแปรปรวนคงที่ 2 และพารามิเตอร์ที่ประมาณโดยสองน้อยที่สุดวิธีการ แต่จะใช้ heteroscedasticity คำนึงถึงฟังก์ชั่นความแปรปรวนที่เกี่ยวข้องกับการคาดการณ์ค่าหรือตัวแปรอธิบายอื่น ๆ จะต้องได้รับการพิจารณา
(Fortin et al., 2007) การประมาณค่าพารามิเตอร์ของฟังก์ชั่นความแปรปรวนนี้สามารถสังเกตได้เป็นถดถอยถ่วงน้ำหนัก; น้ำหนักซึ่งเป็น parameterised แทนการถูกกำหนดโดยพลการ ตัวอย่างของฟังก์ชั่นนี้จะขึ้นอยู่กับอำนาจของมูลค่าที่คาดการณ์ไว้ตามที่ระบุไว้ในสมการ (2).
วา (εi)
ที่ 2 คือความแปรปรวนที่เหลือ? ยี่คือค่าคาดการณ์ของผลไม้พืชและฉัน? เป็นพารามิเตอร์ที่จะใช้ประมาณสองน้อยที่สุดวิธีการทั่วไป (Pinheiro et al., 2011) ซึ่งหมายความว่าข้อผิดพลาดแบบสุ่มอย่างต่อเนื่องที่จะกระจายตามปกติที่มีค่าเฉลี่ยเป็นศูนย์ แต่มีความแปรปรวน nonconstant 2 y2?
วิธีการควบคุมความแปรปรวนก็คือโดยวิธีการของการเปลี่ยนแปลงตัวแปร เปลี่ยนรูปแบบตัวแปรที่ถูกกำหนดให้เป็นไปตามสมการ (3)