线性回归中的异方差检验（White检验）.docxVIP

线性回归中的异方差检验（White检验）

一、引言

线性回归是计量经济学、统计学及数据分析领域应用最广泛的定量分析方法之一，其核心是通过构建自变量与因变量的线性关系，实现对因变量的预测与解释。经典线性回归模型的有效性依赖于若干基础假设，其中“同方差性”是至关重要的一条——即模型误差项的方差不随自变量取值或其他观测特征的变化而改变，保持恒定（伍德里奇，2009）。然而在实际研究中，异方差性是一种普遍存在的违背假设的情况，尤其是在截面数据分析中，不同个体、群体或地区的差异往往会导致误差项的方差出现系统性变化。例如在研究居民消费与收入的关系时，高收入群体的消费决策自由度更高，消费支出的波动幅度通常远大于低收入群体，这就会引发异方差问题。

异方差性的存在会直接影响普通最小二乘估计的可靠性：尽管系数估计仍具有无偏性，但不再是最优线性无偏估计，同时基于同方差假设计算的标准误会出现偏差，导致t检验、F检验等统计推断结果失效，置信区间也无法准确反映参数的真实分布（Gujarati，2003）。因此，在完成线性回归模型的初步估计后，必须进行异方差检验以判断模型是否满足同方差假设，而White检验正是当前应用最广泛的异方差检验方法之一。与传统检验方法不同，White检验无需对异方差的具体形式做出预设，能够捕捉更复杂的异方差结构，为研究者提供更具普适性的检验结果，本文将围绕White检验的理论基础、操作