Como Aksakal mencionou em sua resposta, o vídeo vinculado por Ken T descreve propriedades de tendências , não diretamente de modelos, presumivelmente como parte do ensino sobre o tópico relacionado de estacionariedade de tendências e diferenças na econometria. Como na sua pergunta, você perguntou sobre modelos, aqui está o contexto dos modelos :
Um modelo ou processo é estocástico se tiver aleatoriedade. Por exemplo, se forem fornecidas as mesmas entradas (variáveis independentes, pesos / parâmetros, hiperparâmetros etc.), o modelo poderá produzir saídas diferentes. Nos modelos determinísticos, a saída é totalmente especificada pelas entradas do modelo (variáveis independentes, pesos / parâmetros, hiperparâmetros etc.), de modo que, dadas as mesmas entradas para o modelo, as saídas sejam idênticas. A origem do termo "estocástico" vem de processos estocásticos . Como regra geral, se um modelo tem uma variável aleatória, é estocástico. Modelos estocásticos podem até ser variáveis aleatórias independentes simples.
Vamos descompactar mais algumas terminologias que ajudarão você a entender a literatura sobre modelos estatísticos (determinísticos, estocásticos ou outros ...):
Os modelos estocásticos não precisam ser dependentes do tempo ou até mesmo processos de Markov (dependentes de estados passados, por exemplo, é Markov de primeira ordem, pois depende do estado em ). O modelo linear que você colocou acima é estocástico (tem uma variável aleatória), mas não Markov (não depende de estados passados). No modelo linear colocado na pergunta, o termo erro é uma variável aleatória que supomos não correlacionada (algumas pessoas vão além, afirmando que o erro é iid), distribuídas simetricamente sobre a média (algumas pessoas vão além, afirmando que o erro é normalmente distribuído) e zero médio ( ), etc. Fazemos essas suposições para tornar o modelo linear útil para estimart - 1 μ ϵ t = 0AR(1)t−1μϵt=0a variável dependente, minimizando alguma norma desse termo de erro. Essas premissas permitem derivar propriedades úteis dos estimadores e provar que certos estimadores são os melhores sob essas premissas; por exemplo, que o estimador OLS é AZUL .
Um exemplo mais simples de um modelo estocástico é o lançamento de uma moeda justa (cara ou coroa), que pode ser modelada estocástica como uma variável aleatória binária uniformemente distribuída do iid, ou um processo de Bernoulli . Você também pode considerar o lançamento da moeda como um sistema físico e criar um modelo determinístico (em um cenário idealizado) se levar em consideração o formato da moeda, o ângulo e a força do impacto, a distância da superfície etc. O último modelo (físico) do coin flip não possui variáveis aleatórias (por exemplo, não considera erro de medição de nenhuma das entradas do modelo), então é determinístico.
No ensino de estatística, existe um ponto comum de confusão entre estocástica e heterocedasticidade . Por exemplo, Ken T confundiu estocticidade por heterocedasticidade (ou variabilidade na variação). Uma variável aleatória (estocástica), como a variável de saída de um processo ou em um modelo linear , é heterocedástica se sua variação for alterada em relação a alguma entrada, como o tempo ( ) em Nesse caso, de modo que diferentes grupos dentro da população tenham diferentes variações. No vídeo vinculado por Ken T (de Ben Lambert), se você pausar às 4:00 (4 minutos), poderá ver que Um R ( 1 ) ε t y t = um x t + ε t t V um r [ X t ] t V um r [ X t ]XtAR(1)ϵtyt=axt+ϵttVar[Xt]no modelo no lado direito muda com (heterocedástico) enquanto no modelo linear é constante (homoscedástico).tVar[Xt]
Além disso, às vezes há confusão entre processos estocásticos estacionários e processos estocásticos não estacionários. A estacionariedade implica que estatísticas como média ou variância não mudem ao longo do tempo no modelo. Ambos ainda são considerados modelos / processos estocásticos, desde que haja aleatoriedade envolvida. Como o colega Maroon, Matthew Gunn, menciona em sua resposta, a decomposição de Wold afirma que qualquer processo estocástico estacionário pode ser escrito como a soma de um processo determinístico e estocástico.