For any non-linear model, however,

For any non-linear model, however, heteroscedasticity has more severe consequences: the maximum likelihood estimates of the parameters will be biased (in an unknown direction), as well as inconsistent (unless the likelihood function is modified to correctly take into account the precise form of heteroskedasticity).Simply computing a robust covariance matrix for an otherwise inconsistent estimator does not give it redemption.

ผลลัพธ์ (ไทย) 1:

แบบจำลองไม่เชิงเส้นใด ๆ แต่ heteroscedasticity มีผลรุนแรงมากขึ้น: การประเมินความเป็นไปได้สูงสุดของพารามิเตอร์จะ biased (ในทิศทางที่ไม่รู้จัก), รวมทั้งไม่สอดคล้องกัน (เว้นแต่มีการปรับเปลี่ยนฟังก์ชันความน่าเป็นถึงอย่างถูกต้องแม่นยำแบบ heteroskedasticity) เพียงคำนวณเมทริกซ์ความแปรปรวนร่วมที่แข็งแกร่งสำหรับการประมาณการหรือสอดคล้องกันว่าไถ่ถอน

ผลลัพธ์ (ไทย) 2:

สำหรับรูปแบบที่ไม่ใช่เชิงเส้น แต่ heteroscedasticity มีผลกระทบที่รุนแรงมากขึ้น: ประมาณการโอกาสสูงสุดของพารามิเตอร์จะลำเอียง (ในทิศทางที่ไม่รู้จัก) เช่นเดียวกับที่ไม่สอดคล้องกัน (ยกเว้นกรณีที่ฟังก์ชั่นน่าจะมีการแก้ไขให้ถูกต้องคำนึงถึงความแม่นยำ รูปแบบของการ heteroskedasticity) .Simply คอมพิวเตอร์แปรปรวนเมทริกซ์ที่มีประสิทธิภาพสำหรับประมาณการที่ไม่สอดคล้องกันเป็นอย่างอื่นไม่ได้ให้มันไถ่ถอน

ผลลัพธ์ (ไทย) 3:

สำหรับการใด ๆที่ไม่ใช่เชิงเส้นรูปแบบ อย่างไรก็ตาม heteroscedasticity มีผลกระทบรุนแรงมากขึ้น : ความเป็นไปได้สูงสุดประมาณค่าพารามิเตอร์จะลำเอียง ( ในทิศทางที่ไม่รู้จัก รวมทั้งไม่สอดคล้องกัน ( นอกจากฟังก์ชันความน่าจะเป็นคือ แก้ไขให้ถูกต้องพิจารณารูปแบบแม่นยำของ heteroskedasticity )เพียงแค่การคำนวณเมทริกซ์ความประสิทธิภาพสำหรับการประเมินมิฉะนั้นไม่สอดคล้อง ไม่ให้มันชดใช้