条件方差

条件方差 (Conditional Variance)

条件方差（Conditional Variance）是概率论和统计学中的一个核心概念，用于衡量一个随机变量在给定另一个（或多个）随机变量的特定取值——即在获得部分信息——后的剩余不确定性。设$X$和$Y$为两个随机变量，给定$X$取特定值$x$的条件下，$Y$的条件方差被定义为$Y$的条件期望的均方差：

其中$E[Y|X=x]$是在已知$X=x$条件下$Y$的最佳预测值，$Y - E[Y|X=x]$是预测误差。条件方差有一个更便于计算的形式：$\text{Var}(Y|X=x) = E[Y^2 | X=x] - (E[Y|X=x])^2$。重要的是，$\text{Var}(Y|X)$本身可看作关于随机变量$X$的函数，因此也是一个随机变量。

核心思想：不确定性的缩减

理解条件方差的关键在于它与信息和不确定性的关系。无条件方差$\text{Var}(Y)$度量了在没有任何其他信息的情况下$Y$的总体不确定性或波动性。条件方差$\text{Var}(Y|X=x)$度量了在获得关于$X$的信息后$Y$剩余的不确定性。通常情况下获得信息会减少不确定性，因此条件方差通常小于无条件方差——知道一个人的教育水平后对其收入水平的预测会更加精确。但这并非绝对，某些情况下条件方差也可能大于无条件方差。

全方差定律

全方差定律（Law of Total Variance），又称方差分解公式，是连接条件方差与无条件方差的桥梁，将总方差分解为两部分：

第一项$E[\text{Var}(Y|X)]$是条件方差的期望，即在所有可能的$X$取值下$Y$的平均剩余不确定性——在回归分析语境中这通常被称为不可解释方差。第二项$\text{Var}(E[Y|X])$是条件期望的方差，衡量了由于自变量$X$的变化而导致因变量$Y$均值的变化程度——在回归分析中这被称为可解释方差。全方差定律表明：因变量的总不确定性 = 平均剩余不确定性 + 由已知信息引起的不确定性。这个分解在方差分析（ANOVA）和评估模型拟合优度的决定系数$R^2$等领域具有基础性作用。

应用

在线性回归模型$Y = \beta_0 + \beta_1 X + \epsilon$中，同方差性假设误差项的方差对于$X$的所有取值都是常数$\sigma^2$，即$\text{Var}(Y|X=x) = \sigma^2$，意味着无论$X$取何值数据点围绕回归线的离散程度相同。异方差性则指条件方差随$X$的变化而变化——如高收入家庭的消费行为波动性远大于低收入家庭。识别和处理异方差性是计量经济学中的重要课题。

在金融学中，资产收益率的波动性表现出波动率聚集现象（高波动时期聚集、低波动时期也聚集），这意味着今天的收益率方差依赖于过去信息。为捕捉这种时变的条件方差，经济学家发展了自回归条件异方差模型（ARCH）和广义自回归条件异方差模型（GARCH）。ARCH(1)模型将时刻$t$的收益率条件方差$\sigma_t^2$设为过去收益率平方的函数：$\sigma_t^2 = \alpha_0 + \alpha_1 r_{t-1}^2$。这些模型将条件方差形式化，成为风险管理、期权定价和资产配置等金融应用的核心工具。