计量模型中异方差的检验与修正方法.docxVIP

计量模型中异方差的检验与修正方法

引言

在计量经济学分析中，线性回归模型是最基础也最常用的工具之一。其经典假设中，“同方差性”要求随机误差项的方差在所有观测值中保持恒定，这一假设是保证普通最小二乘法（OLS）估计量具有最优线性无偏性（BLUE）的关键前提。然而，现实经济数据中，由于样本个体差异、数据测量误差、经济结构变化等因素，随机误差项的方差往往会随解释变量的变化而变化，这种现象被称为“异方差性”。异方差的存在会破坏OLS估计的有效性，导致参数估计量的标准误失真，进而影响假设检验的可靠性和模型预测的准确性。因此，掌握异方差的检验与修正方法，是提升计量模型质量的重要环节。本文将围绕异方差的基本概念、常用检验方法及修正策略展开系统阐述，为实际计量分析提供操作指引。

一、异方差的基本概念与影响

（一）异方差的定义与表现形式

异方差（Heteroscedasticity）是指线性回归模型中随机误差项的方差不再是常数，而是随解释变量或观测点的不同而变化的现象。具体来说，假设经典线性回归模型为(Y=_0+_1X_1++_kX_k+)，同方差假设要求(Var(_i)=^2)（对所有i），而异方差则表现为(Var(_i)=_i^2)（(_i^2)随i变化）。这种方差的非恒定可能呈现多种形式：例如，随着某一解释变量取值的增大，误差项方差逐渐递增（递增型异方差）；或在解释变量的中间取值区域方差较大，两端较小（钟型异方差）；也可能与多个解释变量的组合相关（复杂型异方差）。

（二）异方差对计量分析的具体影响

异方差的存在会从多个层面干扰计量模型的结果可靠性。首先，尽管在异方差条件下，OLS估计量仍保持无偏性（因为无偏性仅依赖于误差项的零均值假设），但其不再具有最小方差性，即不再是“有效”的估计量。这意味着基于OLS的参数估计值虽然平均而言接近真实值，但实际估计结果的波动会更大，稳定性下降。其次，异方差会导致参数估计量的标准误被错误计算。在同方差假设下，OLS标准误的计算基于共同的方差估计(^2)，但异方差时各观测点的方差不同，若仍使用同方差标准误公式，会低估或高估真实的标准误（具体方向取决于异方差的形式）。例如，当误差项方差随解释变量增大而递增时，较大的解释变量对应的观测点会对标准误产生更大影响，此时传统OLS标准误会低估真实方差，导致t检验中更容易拒绝原假设（出现“伪显著”现象）。最后，模型的预测效果也会受到影响，因为预测区间的计算依赖于误差项方差的准确估计，异方差会导致预测区间过宽或过窄，降低预测的可信度。

二、异方差的主要检验方法

明确异方差的存在是后续修正的前提。目前常用的检验方法可分为直观图示法和统计检验法两大类，前者通过图形观察误差项的分布特征，后者则基于统计量的显著性检验进行判断。不同方法各有优劣，实际应用中常结合多种方法提高检验的准确性。

（一）直观图示法：从视觉特征到初步判断

图示法是最简便的异方差检验手段，主要通过绘制残差相关图形，观察误差项方差是否随解释变量或预测值变化。常用图形包括：

残差-解释变量散点图：以某一解释变量(X_j)为横轴，OLS回归得到的残差(_i)或残差平方(_i^2)为纵轴绘制散点图。若散点呈现明显的规律性（如随(X_j)增大而扩散或收敛），则可能存在异方差。例如，散点从左到右逐渐扩散成“喇叭状”，说明误差项方差随(X_j)增大而递增。

残差-预测值散点图：以被解释变量的预测值(_i)为横轴，残差或残差平方为纵轴绘图。若散点分布呈现“扇形”或“锥形”，而非随机分布，则提示可能存在异方差。

图示法的优势在于直观易懂、操作简便，适合作为初步筛选工具。但其局限性也很明显：依赖主观判断，对轻微异方差或复杂形式的异方差可能不敏感，且无法提供统计显著性的量化结论，因此需结合统计检验法进一步验证。

（二）统计检验法：从假设检验到量化判断

统计检验法通过构造特定的统计量，基于样本数据对异方差假设进行显著性检验，结果更具客观性。以下是几种最常用的方法：

帕克检验（ParkTest）

帕克检验的核心思想是假设异方差的方差与某一解释变量存在函数关系（通常假设为指数函数形式(i^2=^2(+X{ji}+v_i))），通过对残差平方的对数与解释变量进行回归，检验回归系数是否显著。具体步骤为：（1）首先用OLS估计原模型，得到残差(_i)；（2）计算残差平方的自然对数((_i^2))；（3）以((_i^2))为被解释变量，原模型中的某个解释变量(X_j)为解释变量进行OLS回归；（4）检验解释变量的系数是否显著不为零。若显著，则拒绝同方差假设，认为存在异方差。帕克检验的优点是明确假