Como Aksakal mencionó en su respuesta, el video que Ken T enlazó describe las propiedades de las tendencias , no de los modelos directamente, presumiblemente como parte de la enseñanza sobre el tema relacionado de la tendencia y la estacionalidad de la diferencia en la econometría. Como en su pregunta, preguntó sobre modelos, aquí está en el contexto de modelos :
Un modelo o proceso es estocástico si tiene aleatoriedad. Por ejemplo, si se le dan las mismas entradas (variables independientes, pesos / parámetros, hiperparámetros, etc.), el modelo puede producir diferentes salidas. En los modelos deterministas, la salida está completamente especificada por las entradas al modelo (variables independientes, pesos / parámetros, hiperparámetros, etc.), de modo que dadas las mismas entradas al modelo, las salidas son idénticas. El origen del término "estocástico" proviene de procesos estocásticos . Como regla general, si un modelo tiene una variable aleatoria, es estocástico. Los modelos estocásticos pueden incluso ser simples variables aleatorias independientes.
Analicemos más terminología que lo ayudará a comprender la literatura sobre modelos estadísticos (determinista, estocástico o de otro tipo ...):
Los modelos estocásticos no necesitan ser dependientes del tiempo o incluso de los procesos de Markov (dependiendo de estados pasados, por ejemplo, es Markov de primer orden ya que depende del estado en ). El modelo lineal que planteó anteriormente es estocástico (tiene una variable aleatoria) pero no Markov (no depende de estados pasados). En el modelo lineal planteado en la pregunta, el término de error es una variable aleatoria que suponemos que no está correlacionada (algunas personas van más allá al afirmar que el error es iid), distribuida simétricamente sobre la media (algunas personas van más allá al afirmar que el error es normalmente distribuido) y media cero ( ), etc. Hacemos estos supuestos para hacer que el modelo lineal sea útil para estimart - 1 μ ϵ t = 0AR(1)t−1μϵt=0las variables dependientes minimizando alguna norma de ese término de error. Estos supuestos nos permiten derivar propiedades útiles de los estimadores y demostrar que ciertos estimadores son los mejores bajo esos supuestos; por ejemplo, que el estimador OLS es AZUL .
Un ejemplo más simple de un modelo estocástico es lanzar una moneda justa (cara o cruz), que puede modelarse estocásticamente como una variable aleatoria binaria distribuida uniformemente iid, o un proceso de Bernoulli . También puede considerar el lanzamiento de la moneda como un sistema físico y llegar a un modelo determinista (en un entorno idealizado) si tiene en cuenta la forma de la moneda, el ángulo y la fuerza de impacto, la distancia a la superficie, etc. El último modelo (físico) de la moneda no tiene variables aleatorias (por ejemplo, no considera el error de medición de ninguna de las entradas al modelo), entonces es determinista.
En la enseñanza de la estadística, existe un punto común de confusión entre la estocasticidad y la heterocedasticidad . Por ejemplo, Ken T ha confundido la estocasticidad con la heterocedasticidad (o la variabilidad en la varianza). Una variable aleatoria (estocástica), como la variable de salida de un proceso o en un modelo lineal , es heterocedástica si su varianza cambia sobre alguna entrada, como el tiempo ( ) en En este caso, los diferentes grupos dentro de la población tienen diferentes variaciones. En el video que Ken T enlazó (por Ben Lambert), si lo pausa a las 4:00 (4 minutos), puede ver que A R ( 1 ) ϵ t y t = a x t + ϵ t t V a r [ X t ] t V a r [ X t ]XtAR(1)ϵtyt=axt+ϵttVar[Xt]en el modelo en el lado derecho cambia con (heteroscedastic) mientras que en el modelo lineal es constante (homoscedastic).tVar[Xt]
Además, a veces hay confusión entre los procesos estocásticos estacionarios y los procesos estocásticos no estacionarios. La estacionariedad implica que estadísticas como la media o la varianza no cambian con el tiempo en el modelo. Ambos todavía se consideran modelos / procesos estocásticos siempre que haya aleatoriedad involucrada. Como su compañero Maroon, Matthew Gunn, menciona en su respuesta, la descomposición de Wold establece que cualquier proceso estocástico estacionario puede escribirse como la suma de un proceso determinista y un proceso estocástico.