布罗施-培根检验

布罗施-培根检验 (Breusch-Pagan Test)

布罗施-培根检验 (Breusch-Pagan Test)，简称 BP 检验，是由澳大利亚经济学家 Trevor S. Breusch 与 Adrian R. Pagan 于 1979 年在期刊 Econometrica 上发表的论文 A Simple Test for Heteroscedasticity and Random Coefficient Variation 中提出的一种用于检测线性回归模型中 异方差性 (Heteroskedasticity) 的统计检验方法。该检验属于 拉格朗日乘数检验 (Lagrange Multiplier Test, LM Test) 家族，其核心思想简明而深刻：若误差项方差为常数（即满足同方差假设），则残差平方不应与解释变量存在系统性关联；反之，若残差平方的变异能够被某些可观测变量显著解释，则构成了异方差存在的有力证据。

理论背景与动机

在 普通最小二乘法 (OLS) 的经典 Gauss-Markov 假设中，误差项 $\varepsilon_i$ 需满足 同方差性 (Homoskedasticity)：即 $\operatorname{Var}(\varepsilon_i \mid \mathbf{x}_i) = \sigma^2$ 对所有观测 $i$ 恒定。当这一假设不成立时，OLS 估计量虽然仍然保持无偏性与一致性，但不再具有 有效性 (Efficiency)，即其方差不再达到 Cramér-Rao 下界。更为严峻的是，OLS 默认输出的标准误估计将产生系统性偏误，导致常规的 t 检验与 F 检验不再可靠——研究者可能错误地拒绝或接受原假设，从而得出误导性结论。BP 检验提供了一种系统化的诊断工具，使实证研究者能够在回归分析中及时识别异方差问题，进而采取适当的补救措施，如使用 加权最小二乘法 (WLS) 或 异方差稳健标准误 (Heteroskedasticity-Robust Standard Errors)。

假设设定与检验框架

考虑标准线性回归模型：

其中 $\mathbf{x}_i$ 是 $k \times 1$ 的解释变量向量（通常包含常数项）。BP 检验假设误差方差由一组外生变量 $\mathbf{z}_i$ 决定，其函数形式为：

其中 $\mathbf{z}_i$ 是 $p \times 1$ 的变量向量（通常选取自 $\mathbf{x}_i$ 的子集或其非线性变换，但不包括常数项），$h(\cdot)$ 为满足 $h(0) = 1$ 且二阶可微的严格正函数（最常用的设定是 $h(t) = e^t$ 或 $h(t) = 1 + t$）。由此，原假设与备择假设可简洁地表述为：

该设定将异方差检验转化为对辅助参数向量 $\boldsymbol{\gamma}$ 是否为零的检验，从而可以借助 LM 检验原理构造检验统计量。

检验步骤与统计量构造

BP 检验的操作流程如下：

1. 对原模型 $y_i = \mathbf{x}_i'\boldsymbol{\beta} + \varepsilon_i$ 执行 OLS 估计，获得残差序列 $e_i = y_i - \mathbf{x}_i'\hat{\boldsymbol{\beta}}$。
2. 计算残差方差的最大似然估计（在正态性假设下）：$\tilde{\sigma}^2 = \frac{1}{n}\sum_{i=1}^{n} e_i^2$。
3. 构造标准化残差平方：$g_i = e_i^2 / \tilde{\sigma}^2$。
4. 以 $g_i$ 为被解释变量，对 $\mathbf{z}_i$（包含常数项）进行辅助回归，获得该回归的解释平方和 ESS。
5. 计算 LM 检验统计量： \[ \text{LM} = \frac{\text{ESS}}{2} \]
6. 在大样本条件下，若 $H_0$ 成立，则 $\text{LM} \xrightarrow{d} \chi^2(p)$，其中 $p$ 为 $\mathbf{z}_i$ 中变量的个数（不含常数项）。若 $\text{LM} > \chi^2_{1-\alpha}(p)$，则在显著性水平 $\alpha$ 下拒绝同方差的原假设。

等价地，检验统计量也可表示为 $nR^2$ 的形式：$\text{LM} = n \cdot R^2_g$，其中 $R^2_g$ 为辅助回归 $g_i \sim \mathbf{z}_i$ 的非中心决定系数。这一形式直观地表明：若残差平方的变异能够被 $\mathbf{z}_i$ 大幅解释（即 $R^2_g$ 较高），则异方差的可能性越大。

Koenker-Bassett 稳健变体

上述标准 BP 检验在推导 LM 统计量时依赖误差项正态分布的假设。当实际数据偏离正态性时（例如呈现厚尾或偏态），检验的有限样本性质可能恶化，导致实际显著性水平偏离名义水平。为克服这一局限，Koenker (1981) 提出了一个对非正态性更为稳健的变体，通常称为 Koenker-Bassett 检验 或 studentized Breusch-Pagan 检验。其将辅助回归的被解释变量替换为：

并直接使用该辅助回归的 ESS（或等价地，$nR^2$）作为检验统计量。在大样本下，该统计量仍服从 $\chi^2(p)$ 分布，但对非正态误差表现出更好的稳健性。实证应用中，建议同时报告原始 BP 检验与 Koenker 稳健版本的检验结果，以便读者评估结论对分布假设的敏感性。

与其他异方差检验的比较

异方差检验是计量经济学中的经典议题，除 BP 检验外，尚有若干常用方法：

• 怀特检验 (White Test)：由 Halbert White 于 1980 年提出，最为一般化——其对异方差形式不做任何参数假设，在辅助回归中纳入所有解释变量的水平项、平方项及交叉项。优点是覆盖面广，能够检测任意形式的异方差；缺点是自由度消耗巨大（若原模型有 $k$ 个解释变量，辅助回归参数数量为 $O(k^2)$），在小样本中检验功效 (statistical power) 通常不如 BP 检验。
• 戈德菲尔德-匡特检验 (Goldfeld-Quandt Test)：适用于异方差与某一解释变量呈单调关系的场景，需将样本按该变量排序后分为高、低两组分别估计方差并进行 F 检验。其局限在于只能检测单一维度的异方差模式，且对分组方式的选取敏感。
• BP 检验的定位：BP 检验在一般性与统计功效之间取得了良好的平衡。当研究者对异方差的潜在来源具有先验知识（即可有针对性地指定 $\mathbf{z}_i$），BP 检验比 White 检验更聚焦、自由度损失更小，因而在大多实证研究中被广泛推荐为首选工具。

应用建议与注意事项

1. BP 检验是 大样本检验，其理论依据是 LM 统计量的渐近分布。当样本量较小（如 $n < 50$）时，渐近近似可能不够精确，应结合图形诊断（如残差散点图）综合判断。
2. $\mathbf{z}_i$ 的选择是检验成败的关键。若遗漏了真正驱动异方差的变量，检验可能完全失效（功效趋近于零）；若包含过多无关变量，则自由度损失导致功效下降。实践中通常选择可能影响方差的核心解释变量，亦可通过 Box-Cox 变换 后的变量或预测值的多项式作为备选。
3. 建议始终同时报告 Koenker 稳健版本的结果，以规避正态性假设可能带来的误判。
4. 若 BP 检验拒绝原假设，表明存在异方差，可采取的补救措施包括：使用 加权最小二乘法 (WLS) 进行有效估计、使用 Huber-White 异方差稳健标准误进行推断、或通过变量变换（如对数变换）来稳定方差。
5. BP 检验仅针对异方差问题，无法检测 自相关 (Autocorrelation) ——后者应使用 Durbin-Watson 检验 或 Breusch-Godfrey 检验 进行诊断。在时间序列回归中，异方差与自相关常同时存在，需分别检验。
6. 该检验假定条件均值函数已正确设定。若回归模型本身存在遗漏变量或函数形式误设，则 BP 检验可能错误地指示异方差，实则是对模型设定偏误的间接反映。