Некоторые методы обработки данных с гетероскедастичностью:

• Использование взвешенного метода наименьших квадратов (ВМНК, WLS). 1 В этом методе каждое наблюдение взвешивается обратно пропорционально предполагаемому стандартному отклонению случайной ошибки в этом наблюдении. 1 Такой подход позволяет сделать случайные ошибки модели гомоскедастичными. 1
• Замена исходных данных их производными, например, логарифмом, относительным изменением или другой нелинейной функцией. 1 Этот подход часто используется в случае увеличения дисперсии ошибки с ростом значения независимой переменной и приводит к стабилизации дисперсии в более широком диапазоне входных данных. 1
• Определение «областей компетенции» моделей, внутри которых дисперсия ошибки сравнительно стабильна, и использование комбинации моделей. 1 Таким образом, каждая модель работает только в области своей компетенции, и дисперсия ошибки не превышает заданное граничное значение. 1
• Манипуляции с переменными. 2 Можно внести некоторые изменения в переменные, чтобы уменьшить влияние большой дисперсии на прогнозы. 2 Один из способов — привести значения к процентам, то есть нормализовать. 2
• Применение нейронных сетей. 3 Нейронные сети достаточно хорошо аппроксимируют нелинейные функции. 3 Остатки, полученные с использованием нейронных сетей, представляют собой набор данных, обеспечивающих применение стандартных критериев обнаружения гетероскедастичности. 3