如何发现和消除异方差？
【一】什么是异方差？
定义：
在回归分析中，异方差性（Heteroscedasticity） 是指回归模型中的误差项（残差）在不同观测值之间，方差不恒定，而是随着某个解释变量或拟合值的变化而变化。
换句话说，异方差并不是在回归之前就能直接看到的，而是需要先拟合回归模型，得到残差后，再对残差进行检验来判断。
（道理似乎很简单，但还是有很多同学不是很清楚，记住：异方差是对模型残差的检验！！！）
为什么麻烦？
- 异方差不会导致回归系数有偏，但会让标准误估计不准确 → t检验和 F 检验失效 → 结论不可靠。
举个简单例子：
假设你要研究居民收入对消费支出的影响，你收集了从低收入群体到高收入群体的样本，把他们放在同一个回归方程里，用收入（X）来解释消费支出（Y）。
在这个回归里：
- 低收入人群的消费支出波动一般比较小，差不多都用于刚性支出（吃住行）。
- 高收入人群的消费支出差异就大了，有的人买奢侈品，有的人存起来，消费弹性高 → 残差波动大。
结果就是：收入越高，对应的残差（预测值和实际值的差）越大，残差的方差随着 X 增大而增大，形成了典型的“漏斗型”分布。
所以在这里，因为没有把高收入和低收入人群分组进行回归分析，而是把他们放在同一个回归里，导致观测值的残差波动性不同，违反了经典 OLS 假设中的“同方差性”。
✅ 小结一句：异方差就是在同一个回归里，不同样本点的残差波动随着解释变量水平系统性变化，不是分组比较。
【二】怎么判断是否存在异方差？
✅ 1️⃣ 画残差散点图
- 横轴：拟合值（Ŷ）
- 纵轴：残差（e）
- 若呈漏斗形、扇形，或随着 X 变大而扩散，就是异方差。
✅ 2️⃣ 做异方差检验
- Breusch-Pagan（BP）检验：最经典
- White检验：更一般化，能检测非线性异方差
- SPSS/EViews/Stata 都有现成菜单。
📌 常见判断：
- 检验 p 值 < 0.05 → 拒绝同方差假设 → 存在异方差。
【三】如何消除或修正异方差？
异方差不可怕，关键是怎么处理👇
✅ 1️⃣ 用稳健标准误（Robust SE）
- 最简单、最常用：不改变系数，只调整标准误。
- EViews、Stata：勾选“White heteroskedasticity-consistent standard errors”。
- SPSS：可用“加权最小二乘”间接实现。
✅ 2️⃣ 加权最小二乘法（WLS）
- 给每个观测值加权，权重 = 方差的倒数。
- 适合当异方差模式已知（例如某类收入分组）。
✅ 3️⃣ 对数变换
- 对因变量或自变量做对数化，很多收入、价格、规模变量异方差可明显减弱。
- 例如把“收入”换成“ln(收入)”。
✅ 4️⃣ 分组回归
- 如果是分组数据引起的（如省份、行业），可对不同组单独跑回归或加虚拟变量。
【四】论文里怎么写？
可以在论文“模型诊断”里写一句👇
“本文采用BP检验和White检验检测残差异方差性，并对异方差问题使用White稳健标准误进行修正，以提高回归系数显著性检验的有效性。”
🔑 一句话原则
异方差≠系数有错，但若不修正，显著性全是“虚的”！
所以：画图 + 检验 + 修正，一步都不能省。