KNOWECON WIKI

ARTICLE

Homoskedasticity

同方差性 (Homoskedasticity) 同方差性 (Homoskedasticity) 是 计量经济学 与 统计学 中 回归分析 的一项核心假定，指在给定 解释变量 的条件下，误差项（或 扰动项）的 条件方差 保持恒定。具体而言，对于 线性回归模型 同方差性假定要求 换言之，无论解释变量 x_i 取何值，误差项的方差均不随之变化。这一假定的英文拼写偶

浏览 0 更新 2026-07-11

同方差性 (Homoskedasticity)

同方差性 (Homoskedasticity) 是 计量经济学 与 统计学 中 回归分析 的一项核心假定，指在给定 解释变量 的条件下，误差项（或 扰动项）的 条件方差 保持恒定。具体而言，对于 线性回归模型

yi=xi′β+εi,y_i = \mathbf{x}_i'\boldsymbol{\beta} + \varepsilon_i,

同方差性假定要求

Var⁡(εi∣xi)=σ2(常数),∀i.\operatorname{Var}(\varepsilon_i \mid \mathbf{x}_i) = \sigma^2 \quad (\text{常数}), \quad \forall i.

换言之，无论解释变量 xi \mathbf{x}_i 取何值，误差项的方差均不随之变化。这一假定的英文拼写偶尔也作 Homoscedasticity，二者可互换使用，均源自希腊语词根 homo-（相同）与 skedasis（分散）。

同方差性的地位与作用

同方差性是 高斯-马尔可夫定理 (Gauss-Markov Theorem) 的关键条件之一。在该定理的框架下，若回归模型满足零条件均值、同方差性以及 误差不相关 三个假定，则 普通最小二乘法 (Ordinary Least Squares, OLS) 的估计量在所有线性无偏估计量中具有最小方差，即 OLS 是 最佳线性无偏估计量 (Best Linear Unbiased Estimator, BLUE)。具体来说，OLS 估计量 β^ \hat{\boldsymbol{\beta}} 的方差表达式为

Var⁡(β^∣X)=σ2(X′X)−1,\operatorname{Var}(\hat{\boldsymbol{\beta}} \mid \mathbf{X}) = \sigma^2 (\mathbf{X}'\mathbf{X})^{-1},

其中 σ2 \sigma^2 即为同方差性假定下的恒定误差方差。这一简洁的闭式表达式使得 统计推断 (如 t检验、F检验 和 置信区间 构造) 可以直接基于 (X′X)−1 (\mathbf{X}'\mathbf{X})^{-1} 计算标准误。若同方差性不成立，上述方差公式不再正确，基于其构造的推断将产生偏误。

同方差性的现实挑战

尽管同方差性在理论推导中极为便利，但在实际应用中，这一假定往往面临挑战。大量经验研究表明，以下情形中 异方差性 (Heteroskedasticity) 更为常见：横截面数据 中高收入家庭的消费方差通常大于低收入家庭；时间序列 数据中 金融资产收益率 呈现 波动率聚集 (Volatility Clustering) 特征；面板数据中的个体间方差差异等。当异方差性存在时，OLS 估计量虽然仍保持 无偏性 和 一致性，但其方差公式失效，导致标准误估计有偏，进而使 t 统计量和 F 统计量的分布偏离理论值，假设检验 的可靠性降低。

异方差性的诊断方法

发现同方差性是否被违反，即检测异方差性，是建模流程中的重要环节。常用的诊断方法包括：

  • 怀特检验 (White Test)：由 哈尔伯特·怀特 (Halbert White) 提出，通过将 OLS 残差的平方对原始解释变量及其交叉项进行辅助回归，检验辅助回归的显著性。该检验不要求事先假定异方差的具体形式，具有一般性。
  • 布罗施-帕甘检验 (Breusch-Pagan Test)：将残差平方对原始解释变量进行辅助回归，检验回归系数的联合显著性。该检验对异方差的检测能力在特定方向下较为有效。
  • 戈德菲尔德-匡特检验 (Goldfeld-Quandt Test)：将样本按某一解释变量排序后分为两个子样本，分别进行回归后比较两组的残差方差是否存在显著差异，适用于识别单调型异方差。
  • 斯皮尔曼秩相关检验 (Spearman's Rank Correlation Test)：计算 残差绝对值 与解释变量的 秩相关系数，检验其显著性，是一种非参数方法。

应对异方差性的策略

当诊断结果表明同方差性假定不成立时，研究者可采用以下策略加以应对：

1. 异方差稳健标准误 (Heteroskedasticity-Consistent Standard Errors)：怀特 (1980) 提出的 HC 估计量 可以直接修正 OLS 标准误，使其在异方差下依然一致。最常用的形式是 HC1（经自由度校正的怀特估计量），其方差估计为

Var⁡^HC(β^)=(X′X)−1X′Ω^X(X′X)−1,\widehat{\operatorname{Var}}_{\text{HC}}(\hat{\boldsymbol{\beta}}) = (\mathbf{X}'\mathbf{X})^{-1} \mathbf{X}' \hat{\boldsymbol{\Omega}} \mathbf{X} (\mathbf{X}'\mathbf{X})^{-1},

其中 Ω^=diag⁡(ε^12,…,ε^n2) \hat{\boldsymbol{\Omega}} = \operatorname{diag}(\hat{\varepsilon}_1^2, \dots, \hat{\varepsilon}_n^2) 。这一方法简便易行，无需对模型结构进行改动。

2. 加权最小二乘法 (Weighted Least Squares, WLS)：若已知异方差的函数形式——例如 Var⁡(εi∣xi)=σ2h(xi) \operatorname{Var}(\varepsilon_i \mid \mathbf{x}_i) = \sigma^2 h(\mathbf{x}_i) ——则可通过权重 1/h(xi) 1/\sqrt{h(\mathbf{x}_i)} 对原始数据进行变换，使变换后的模型满足同方差性，进而获得 BLUE 估计量。加权最小二乘法在效率上优于稳健标准误，但其有效性依赖于方差函数 h(⋅) h(\cdot) 的正确设定。

3. 可行广义最小二乘法 (Feasible Generalized Least Squares, FGLS)：当异方差形式未知时，可以先用 OLS 估计模型，从残差中估计方差函数的结构（如假设方差为 exp⁡(zi′γ) \exp(\mathbf{z}_i'\boldsymbol{\gamma}) ），再利用估计出的权重进行 WLS 估计。FGLS 在样本量较大时渐进有效，但需注意方差函数 模型误设 可能带来的偏差。

4. 模型变换：对变量取 对数 或使用 Box-Cox 变换 有时可缓解异方差问题。例如，在消费函数中改用对数-对数模型往往能稳定方差，这是因为对数变换压缩了变量取值范围，减弱了方差随水平值变化的趋势。

同方差性与更广泛的统计框架

同方差性的概念不仅局限于经典线性回归，它还延伸到更广泛的统计模型框架中：

同方差性的哲学内涵

从更一般的认识论角度看，同方差性假定反映了统计建模中"简约性"与"真实性"之间的张力。作为理论简化工具，同方差性使 OLS 估计量获得 BLUE 的优良性质，为经典计量经济学奠定了可操作的分析基础；然而现实数据往往违背这一假定，这提醒研究者：任何模型假定都是对复杂现实的一种抽象，诊断检验和稳健方法的选择本身就是科学研究严谨性的体现。正如 乔治·博克斯 (George Box) 所言："所有模型都是错的，但有些是有用的。"同方差性假定正是这一论断的典型例证——它虽然很少精确成立，但在许多情形下仍是一个有用的近似，加上适当的稳健修正，可以产生可靠的经验结论。

小结

同方差性是回归分析中一个基础而重要的假定，它确保了 OLS 估计量的最优性质并简化了统计推断过程。然而，实际数据中异方差性普遍存在，研究者需要通过诊断检验加以识别，并采用稳健标准误、加权最小二乘法或模型变换等策略加以应对。理解同方差性及其违反的后果，是进行严谨计量分析的基本功。