Homoskedastizität bedeutet, dass die Varianz der Residuen für jede Ausprägung der Prädiktoren gleich ist. Das bedeutet, dass das Modell für einzelne Personen nicht systematisch bessere oder schlechtere Voraussagen trifft bzw. die Daten einzelner Personen nicht systematisch besser oder schlechter erklärt, je nachdem, wie die Pädiktoren für diese Person ausgeprägt sind.
Das klingt kompliziert – es handelt sich im Grunde aber um eine Verallgemeinerung von Varianzgleichheit/Varianzhomogenität (hier klingelt es vielleicht bei dir, wenn du schon unsere ANOVA Kurse durchgearbeitet hast; siehe auch: Varianzhomogenität).
Homoskedastizität ist eine wichtige Annahme der Regression, die grafisch geprüft werden kann. Dies erfolgt anhand einer bestimmten Grafik, bei der die vorhergesagten Werte (X-Achse) gegen die Residuen (Y-Achse) abgetragen werden. Dabei sollten die Punkte in einer zufälligen Punktwolke um die X-Achse herumstreuen. Ist dies der Fall, ist auch Homoskedastizität gegeben. Hier ein Beispiel:
Ist Homoskedastizität nicht gegeben, spricht man auch von Heteroskedastizität. In diesem Fall solltest du über ein robustes Verfahren nachdenken.