ARTICLE

variance

方差 (Variance) 方差（Variance）是统计学和概率论中最基本的离散度度量，用于量化一组数据或一个随机变量的取值围绕其期望值（均值）的分散程度。方差越大，数据点偏离均值的程度越大；方差为零意味着所有观测值完全相等。定义与公式设 X 为随机变量，其期望值为 = E[X]。X 的总体方差定义为：第二个等式源于展开：E[(X- )^2] = E

浏览 4 更新 2025-10-26

方差 (Variance)

方差（Variance）是统计学和概率论中最基本的离散度度量，用于量化一组数据或一个随机变量的取值围绕其期望值（均值）的分散程度。方差越大，数据点偏离均值的程度越大；方差为零意味着所有观测值完全相等。

定义与公式

设 $X$ 为随机变量，其期望值为 $\mu = E[X]$ 。 $X$ 的总体方差定义为：

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

第二个等式源于展开： $E[(X-\mu)^2] = E[X^2 - 2\mu X + \mu^2] = E[X^2] - 2\mu E[X] + \mu^2 = E[X^2] - \mu^2$ 。这一形式在实际计算中极为常用。

对于有限样本 $x_1, x_2, \ldots, x_n$ ，样本方差的无偏估计量为：

s^2 = \frac{1}{n-1} \sum_{i=1}^{n} (x_i - \bar{x})^2

其中 $\bar{x}$ 为样本均值，分母 $n-1$ 为自由度校正（贝塞尔校正），确保 $E[s^2] = \sigma^2$ 。若使用分母 $n$ （即 $S_n^2 = \frac{1}{n}\sum (x_i - \bar{x})^2$ ），则该估计量存在向下偏误。

基本性质

方差具有以下重要运算性质（设 $a, b$ 为常数）：

$\operatorname{Var}(aX + b) = a^2 \operatorname{Var}(X)$ ——平移不变，尺度平方放大。
对于独立随机变量 $X, Y$ ： $\operatorname{Var}(X \pm Y) = \operatorname{Var}(X) + \operatorname{Var}(Y)$ ——方差可加。
一般情形： $\operatorname{Var}(X \pm Y) = \operatorname{Var}(X) + \operatorname{Var}(Y) \pm 2\operatorname{Cov}(X, Y)$ ，其中 $\operatorname{Cov}(X, Y)$ 为协方差。
$\operatorname{Var}(X) \ge 0$ ，且 $\operatorname{Var}(X) = 0 \iff P(X = c) = 1$ （退化分布）。

方差的量纲是原数据量纲的平方，不便直观解释。因此常使用其平方根——标准差 $\sigma = \sqrt{\operatorname{Var}(X)}$ ——作为派生度量。

方差分析 (ANOVA)

方差分析（Analysis of Variance, ANOVA）由R. A. Fisher提出，是利用方差分解来比较多个组别均值差异的统计方法。其核心思想是将总变异（SST）分解为组间变异（SSB）与组内变异（SSW）：

\sum_{i=1}^{k} \sum_{j=1}^{n_i} (x_{ij} - \bar{x})^2 = \sum_{i=1}^{k} n_i (\bar{x}_i - \bar{x})^2 + \sum_{i=1}^{k} \sum_{j=1}^{n_i} (x_{ij} - \bar{x}_i)^2

通过F检验比较组间均方与组内均方，判断各总体均值是否存在显著差异。ANOVA广泛用于实验设计、计量经济学中的模型比较和政策评估。

经济学与金融学中的应用

在金融经济学中，方差是风险的经典度量。马科维茨（Harry Markowitz）的均值-方差分析框架将资产的期望收益与收益方差（或标准差）作为投资者最关心的两个参数，方差在此代表波动率风险。资本资产定价模型（CAPM）中，单个资产的风险被分解为系统性风险（由Beta系数衡量）和可通过多样化分散的非系统性风险。

在计量经济学中，OLS估计量的方差 $\operatorname{Var}(\hat{\beta}) = \sigma^2 (X'X)^{-1}$ 是统计推断的核心——它决定了置信区间的宽度和假设检验的效力。异方差性（heteroskedasticity）的存在会使标准误估计有偏，需使用White稳健标准误等方法修正。