异方-差性

异方差性 (Heteroscedasticity)

异方差性（Heteroscedasticity）是计量经济学与回归分析中的核心概念，指回归模型中随机误差项 $u_i$ 的方差随观测值 $i$ 变化而非保持常数的情形。它是违反古典线性回归模型（CLRM）同方差性（Homoscedasticity）假设的典型表现。数学上，同方差假设要求 $\mathrm{Var}(u_i \mid X_i) = \sigma^2$ 对所有 $i$ 成立；而异方差性意味着 $\mathrm{Var}(u_i \mid X_i) = \sigma_i^2 \neq \sigma^2$，即不同观测点对应不同的误差方差。

异方差性在横截面数据中尤为普遍。典型的例子包括：以收入解释消费的回归中，高收入家庭的消费波动显著大于低收入家庭，因为后者几乎全部收入用于基本开支，消费模式单一；分析企业规模与利润关系时，大企业的利润变异幅度远超小企业——巨额盈利与巨额亏损皆有可能。这些情形下，残差散点图常呈现"扇形"或"漏斗形"模式，即随自变量增大，残差波动范围逐步扩大。

主要成因

异方差性的成因涵盖多个方面：数据本身的异质性（如分析对象在规模或能力上差异悬殊）、模型设定偏误（遗漏重要解释变量或函数形式错误，如将非线性关系误设为线性）、异常值的干扰、以及测量误差在数据子集间的结构性差异。

对OLS估计的影响

当存在异方差性时，OLS估计量仍保持无偏性和一致性，但不再是有效的——即不再是高斯-马尔可夫定理所保证的最佳线性无偏估计量（BLUE），因为存在其他线性无偏估计量（如加权最小二乘法）具有更小的方差。更严重的是，OLS标准误公式 $\mathrm{SE}(\hat{\beta}_j) = \sqrt{s^2 [(X'X)^{-1}]_{jj}}$ 依赖于同方差假设，异方差下这些标准误有偏（通常被低估），导致 $t$ 检验和 $F$ 检验失效，置信区间不可靠，第I类错误（假阳性）的概率增大，推断结论的可信度大打折扣。

检测方法

诊断异方差性首先可通过图形法：绘制残差 $e_i$ 对拟合值 $\hat{Y}_i$ 或自变量的散点图，观察是否呈现扩散或收缩模式。正式检验包括：

• Breusch-Pagan检验：以 $e_i^2$ 对原始自变量进行辅助回归，检验统计量 $nR^2$ 在大样本下渐近服从 $\chi^2_p$ 分布，$H_0$ 为同方差。
• White检验：将 $e_i^2$ 对自变量的水平项、平方项和交叉乘积项作回归，能检测更广泛形式的异方差（包括非线性形式），但自由度消耗较大。
• Goldfeld-Quandt检验：将数据按某自变量排序后去除中间约20\%的观测值，比较两端子样本的残差平方和，构造 $F$ 统计量。

补救措施

处理异方差性的方法主要有三类：加权最小二乘法（WLS）是根本性方法——若异方差形式已知，通过对每个观测值赋予权重 $w_i = 1/\sigma_i^2$ 可恢复有效性，实践中常采用可行广义最小二乘法（FGLS）估计权重。当异方差形式未知时，异方差稳健标准误（White标准误，亦称Sandwich估计量）提供了最便捷的替代方案：OLS系数保持不变，仅使用 $\widehat{\mathrm{Var}}_{\mathrm{HC0}}(\hat{\beta}) = (X'X)^{-1}(\sum e_i^2 x_i x_i')(X'X)^{-1}$ 调整标准误，小样本修正版本（HC1、HC2、HC3）进一步改善了有限样本表现。此外，变量变换（如对因变量取对数 $\ln Y$，压缩大规模数据的变异幅度）和模型重新设定（引入二次项、交互项或改用对数线性模型）也可从根源上缓解异方差问题。

异方差性是应用计量经济学中最常见也最重要的数据问题之一。在现代实证研究规范中，汇报异方差稳健标准误已是一项标准稳健性检验程序，忽视异方差性被视为严重的方法论缺陷。理解其本质、掌握其检测与修正方法，是每位从事定量研究的经济学者和数据分析师的基本功。