KNOWECON WIKI

ARTICLE

Variance

方差 (Variance) 方差 (Variance) 是概率论与统计学中度量随机变量在其均值（期望值）周围分散程度的核心指标。对于一个随机变量 X ，其方差定义为 X 与其均值 = E[X] 之差的平方的期望值，记作 Var(X) 或 ^2_X 。方差的平方根称为标准差 (Standard Deviation)。方差是最广泛使用的离散度度量之一，构成了现代

浏览 2 更新 2025-10-26

方差 (Variance)

方差 (Variance) 是概率论与统计学中度量随机变量在其均值（期望值）周围分散程度的核心指标。对于一个随机变量 X X ，其方差定义为 X X 与其均值 μ=E[X] \mu = \mathbb{E}[X] 之差的平方的期望值，记作 Var⁡(X) \operatorname{Var}(X) 或 σX2 \sigma^2_X 。方差的平方根称为标准差 (Standard Deviation)。方差是最广泛使用的离散度度量之一，构成了现代金融学中风险衡量的基石，也是统计推断和回归分析中估计精度的关键指标。

定义与计算公式

设 X X 为一随机变量，其数学期望为 μ=E[X] \mu = \mathbb{E}[X] 。X X 的方差定义为：

Var⁡(X)=E[(X−μ)2]\operatorname{Var}(X) = \mathbb{E}\left[(X - \mu)^2\right]

这一定义式直观地表达了方差的核心思想：每个可能取值与均值的偏离程度取平方后按概率加权平均。平方运算确保了正负偏离不会相互抵消，同时放大了较大偏差的影响。方差以原始数据单位的平方为单位，这使得其数值本身的直观解释不如标准差直接，但平方运算为方差赋予了良好的数学性质。方差的计算也可通过以下等价公式简化：

Var⁡(X)=E[X2]−(E[X])2\operatorname{Var}(X) = \mathbb{E}[X^2] - (\mathbb{E}[X])^2

此公式由期望的线性性质推导而来，在理论推导和实际计算中均有广泛应用。对于离散型随机变量，方差的具体形式为：

Var⁡(X)=∑i(xi−μ)2pi\operatorname{Var}(X) = \sum_{i} (x_i - \mu)^2 p_i

其中 pi p_i 为 xi x_i 的概率质量。对于连续型随机变量，方差则为：

Var⁡(X)=∫−∞∞(x−μ)2f(x) dx\operatorname{Var}(X) = \int_{-\infty}^{\infty} (x - \mu)^2 f(x) \, dx

其中 f(x) f(x) 为概率密度函数。方差存在的充分必要条件是 E[∣X∣2]<∞ \mathbb{E}[|X|^2] < \infty ，即随机变量的二阶矩有限。对于二阶矩不存在的分布，如柯西分布，方差无定义。

方差的基本性质

方差具有若干重要的数学性质，使其在理论分析和应用计算中十分便利：

  • 非负性：对于任意随机变量 X X ，有 Var⁡(X)≥0 \operatorname{Var}(X) \geq 0 ，当且仅当 X X 为常数（以概率 1 等于其均值）时等号成立。这一性质使得方差可以作为分散程度的合理度量。
  • 常数平移不变性：对任意常数 c c ，有 Var⁡(X+c)=Var⁡(X) \operatorname{Var}(X + c) = \operatorname{Var}(X) 。即整体平移不影响分散程度，这与分散度量的直观要求一致。
  • 伸缩性：对任意常数 a a ，有 Var⁡(aX)=a2Var⁡(X) \operatorname{Var}(aX) = a^2 \operatorname{Var}(X) 。缩放会按平方因子改变方差，体现了方差对尺度变化的敏感性。
  • 线性组合的方差：对于随机变量 X X 和 Y Y ，有 Var⁡(aX+bY)=a2Var⁡(X)+b2Var⁡(Y)+2abCov⁡(X,Y) \operatorname{Var}(aX + bY) = a^2\operatorname{Var}(X) + b^2\operatorname{Var}(Y) + 2ab\operatorname{Cov}(X, Y) 。其中 Cov⁡(X,Y) \operatorname{Cov}(X, Y) 为协方差。当 X X 与 Y Y 独立时，协方差为零，公式简化为 a2Var⁡(X)+b2Var⁡(Y) a^2\operatorname{Var}(X) + b^2\operatorname{Var}(Y) 。该公式可推广至任意多个变量的线性组合，即 Var⁡(∑i=1naiXi)=∑i=1nai2Var⁡(Xi)+2∑i<jaiajCov⁡(Xi,Xj) \operatorname{Var}\left(\sum_{i=1}^n a_i X_i\right) = \sum_{i=1}^n a_i^2\operatorname{Var}(X_i) + 2\sum_{i<j} a_i a_j \operatorname{Cov}(X_i, X_j) 。

方差还与切比雪夫不等式有着密切联系。对于任意 k>0 k > 0 ，切比雪夫不等式指出随机变量取值偏离均值超过 k k 个标准差的概率不超过 1/k2 1/k^2 ，即：

Pr⁡(∣X−μ∣≥kσ)≤1k2\Pr(|X - \mu| \geq k\sigma) \leq \frac{1}{k^2}

这一不等式不依赖于 X X 的具体分布，展示了方差作为一般性离散度量工具的强大之处。尽管切比雪夫界往往较为宽松，但它为统计推断提供了最基础的保障。

方差与协方差和相关系数之间的关系也值得关注。协方差可以视为两个变量的联合二阶矩，而相关系数则是标准化后的协方差：ρX,Y=Cov⁡(X,Y)/Var⁡(X)Var⁡(Y) \rho_{X,Y} = \operatorname{Cov}(X,Y) / \sqrt{\operatorname{Var}(X)\operatorname{Var}(Y)} 。相关系数的取值范围为 [−1,1] [-1, 1] ，其绝对值度量了变量之间的线性关联强度。

样本方差

在实际应用中，总体方差通常是未知的，需要通过样本数据进行估计。给定 n n 个独立同分布的样本观测值 X1,X2,…,Xn X_1, X_2, \ldots, X_n ，样本方差定义为：

s2=1n−1∑i=1n(Xi−Xˉ)2s^2 = \frac{1}{n-1} \sum_{i=1}^{n} (X_i - \bar{X})^2

其中 Xˉ=1n∑i=1nXi \bar{X} = \frac{1}{n}\sum_{i=1}^n X_i 为样本均值。分母使用 n−1 n-1 而非 n n 是为了进行贝塞尔校正 (Bessel's Correction)，使得 s2 s^2 成为总体方差 σ2 \sigma^2 的无偏估计量。样本标准差 s=s2 s = \sqrt{s^2} 则直观地以与数据相同的单位度量离散程度。

值得注意的是，若使用 n n 作为除数（即计算有偏样本方差 σ^2=1n∑(Xi−Xˉ)2 \hat{\sigma}^2 = \frac{1}{n}\sum (X_i - \bar{X})^2 ），则该统计量是总体方差的有偏估计，其偏差为 −σ2/n -\sigma^2/n 。大样本下，有偏与无偏估计的差异趋于消失，但在小样本情况下贝塞尔校正尤为重要。

样本方差的抽样分布是统计推断的基础。当总体服从正态分布时，(n−1)s2/σ2 (n-1)s^2/\sigma^2 服从自由度为 n−1 n-1 的卡方分布。这一关系构成了总体方差置信区间估计和假设检验的理论基石。具体地，总体方差 σ2 \sigma^2 的 100(1−α)% 100(1-\alpha)\% 置信区间为：

[(n−1)s2χ1−α/2,n−12,  (n−1)s2χα/2,n−12]\left[ \frac{(n-1)s^2}{\chi^2_{1-\alpha/2, n-1}}, \; \frac{(n-1)s^2}{\chi^2_{\alpha/2, n-1}} \right]

其中 χp,n−12 \chi^2_{p, n-1} 为自由度为 n−1 n-1 的卡方分布的 p p 分位数。

方差的应用

方差在诸多学科中发挥着核心作用。在金融学中，资产收益率的方差被用作风险的标准度量指标——方差越大，资产价格波动越剧烈，投资风险越高。现代投资组合理论 (Modern Portfolio Theory) 以方差为核心构建均值-方差优化框架，在给定预期收益水平下通过最小化投资组合的方差来寻找最优资产权重。该框架由哈里·马科维茨于 1952 年提出，奠定了现代金融学的理论基础，并为他赢得了诺贝尔经济学奖。资本资产定价模型 (CAPM) 则将单个资产的风险分解为系统性风险（由市场方差驱动）和非系统性风险（可通过分散化消除），其中系统性风险由资产的贝塔系数衡量。

在实验设计和方差分析 (ANOVA) 中，方差被分解为组间方差和组内方差两部分。组间方差反映了不同处理组均值之间的差异程度，组内方差则反映了各组内部的随机波动。两者的比值 F=组间方差/组内方差 F = \text{组间方差}/\text{组内方差} 构成了 F 统计量，用于检验多个总体均值是否相等。

在回归分析中，残差方差（或称误差方差）衡量了模型对观测数据的拟合优度——残差方差越小，模型对目标变量的预测越准确。决定系数 R2 R^2 正是通过比较回归模型的残差方差 Var⁡(ε^) \operatorname{Var}(\hat{\varepsilon}) 与因变量的总方差 Var⁡(Y) \operatorname{Var}(Y) 来评估模型的解释力：R2=1−Var⁡(ε^)/Var⁡(Y) R^2 = 1 - \operatorname{Var}(\hat{\varepsilon})/\operatorname{Var}(Y) 。同方差性假设是经典线性回归模型的关键假设之一，要求误差项的方差在所有解释变量的取值水平上保持恒定，违反该假设将导致异方差性问题，影响估计效率。

在统计学的更广泛领域中，方差还扮演着其他重要角色。贝叶斯统计中先验分布和后验分布的方差反映了参数估计的不确定性——后验方差越小，表明从数据中获取的信息越充分。时间序列分析中的条件异方差模型 (如ARCH和GARCH) 通过建模方差的时间变化来捕捉金融数据的波动聚集现象，其中 GARCH(1,1) 模型是实践中最常用的规范形式。主成分分析 (PCA) 则通过寻找方差最大的正交方向来实现数据降维——第一主成分对应数据投影后方差最大的方向。方差膨胀因子 (VIF) 被用于诊断多重共线性问题，VIF 越大表明自变量间的线性相关性越强。

可以说，方差作为随机性最核心的定量描述，贯穿了整个统计科学和计量经济学的理论体系。从基础的概率计算到前沿的机器学习算法，方差始终是衡量不确定性、评估估计精度和构建统计推断的基石概念。