---
title: "異質變異（Heteroscedasticity）"
slug: heteroscedasticity
language: zh-TW
source: https://aiterms.tw/terms/heteroscedasticity
updated_at: 2026-11-16
tags: [統計方法, 迴歸分析, 機器學習, 異質變異數, 異方差, 變異數異質性, Heteroskedasticity, 同質變異, Homoscedasticity, 迴歸診斷]
ipas_term: false
---

# 異質變異（Heteroscedasticity）

> **迴歸模型的殘差，為什麼有時候預測值越大就散得越開？**
>
> 這就是異質變異：誤差的變異數不是固定的，常跟著自變數或預測值改變。線性迴歸假設每個位置的誤差都一樣分散（同質變異），異質變異就是這個假設不成立。
>
> 只要模型本身設定正確，一般最小平方法的係數仍然不偏，麻煩在於它不再是最有效率的估計，常用公式算出的標準誤也可能偏大或偏小，信賴區間和顯著性檢定因此可能誤判。

### 容易混淆

> **異質變異 vs 同質變異**
>
> 同質變異是線性迴歸的假設：每個自變數值對應的誤差變異數都相同
> 異質變異是違反這個假設：誤差變異數會隨自變數或預測值變大或變小
> 最關鍵的區別是殘差散開的寬度有沒有跟著預測值改變。
>
> **異質變異 vs 誤差不是常態**
>
> 常態性假設看的是誤差分布的形狀
> 異質變異看的是誤差分散的程度是否固定
> 一個看形狀、一個看寬度，兩者可能同時發生，這時可以考慮先對 y 做轉換再重新檢查。
>

### 記住這句就好

> 殘差像喇叭一樣越散越開，通常代表誤差變異數不固定，標準誤不能照單全收。

### 實際案例

> **房價預測**
> 用坪數預測房價時，小坪數物件的價格可能都落在相近區間，大坪數物件的價格差距卻可能大很多，殘差圖會呈現右邊越散越開的扇形。
>
> **用 Python 檢定**
> statsmodels 的 het_breuschpagan 拿迴歸的殘差和可能造成異質變異的變數做檢定，虛無假設是同質變異，p 值很小代表誤差變異數可能和這些變數有關，p 值不小也不代表一定沒有異質變異。
>

### 演算法與應用

> 先用一般最小平方法配適模型，畫殘差對預測值（或對自變數）的散布圖，看殘差的寬度有沒有隨預測值改變，同時確認模型的函數形式沒有設錯。
> 再用 Breusch-Pagan 檢定或 White 檢定進一步檢查，這兩種檢定的虛無假設都是同質變異。
> 處理方式依情況選：y 都是正數時可以取對數或做其他轉換來穩定變異數，也可以改用加權最小平方法，讓每個觀測值的權重和它的誤差變異數成反比，權重通常要先用殘差估計。
> 如果想保留一般最小平方法的係數、只修正推論，就改用 White（1980）提出的異質變異一致共變異數估計來算標準誤，也就是常說的穩健標準誤。加權前後的係數如果差很多，反而要回頭檢查模型設定。

### 情境判斷

> **Q1（直覺題）：殘差對預測值的圖，左邊很集中、右邊越來越散，最可能違反哪一個迴歸假設？**
>
> → 違反誤差變異數固定（同質變異）的假設，這是異質變異的典型樣子，不過也要先確認模型的函數形式沒有設錯。
>
> **Q2（判斷題）：發現異質變異，就代表迴歸係數完全不能用嗎？**
>
> → 不一定。只要模型設定正確，一般最小平方法的係數在異質變異下仍然不偏，只是不再是最有效率的估計，真正失準的是一般公式算出的標準誤。可以改用穩健標準誤，或用加權最小平方法重新估計，如果加權前後係數差很多，要回頭檢查模型設定。
>

---

來源：https://aiterms.tw/terms/heteroscedasticity
快查頁：https://aiterms.tw/terms/heteroscedasticity
出處：
- Lesson 4: SLR Model Assumptions（Penn State STAT 501）：https://online.stat.psu.edu/stat501/Lesson04
- 4.4 - Identifying Specific Problems Using Residual Plots（Penn State STAT 462）：https://online.stat.psu.edu/stat462/node/120/
- 4.4.4.2 How can I detect non-constant variation across the data?（NIST/SEMATECH e-Handbook of Statistical Methods）：https://itl.nist.gov/div898/handbook/pmd/section4/pmd442.htm
- 13.1 - Weighted Least Squares（Penn State STAT 501）：https://online.stat.psu.edu/stat501/lesson/13/13.1
- 10.1 - Nonconstant Variance and Weighted Least Squares（Penn State STAT 462）：https://online.stat.psu.edu/stat462/node/186
- 9.2 - Log-transforming Only the Response for SLR（Penn State STAT 501）：https://online.stat.psu.edu/stat501/lesson/9/9.2
- Lecture 15（STATS 413 Applied Regression Analysis 課程講義，University of Michigan）：https://websites.umich.edu/~yuekai/stats413/assets/slides/lecture-15.html
- What Are We Weighting For?（Solon、Haider、Wooldridge，NBER Working Paper 18859，2013）：https://www.nber.org/papers/w18859.pdf
- statsmodels.stats.diagnostic.het_breuschpagan（statsmodels 官方文件，查核時為 0.15 版）：https://www.statsmodels.org/stable/generated/statsmodels.stats.diagnostic.het_breuschpagan.html
- statsmodels.regression.linear_model.WLS（statsmodels 官方文件，查核時為 0.15 版）：https://www.statsmodels.org/stable/generated/statsmodels.regression.linear_model.WLS.html
- statsmodels.regression.linear_model.OLSResults.HC0_se（statsmodels 官方文件，查核時為 0.15 版）：https://www.statsmodels.org/stable/generated/statsmodels.regression.linear_model.OLSResults.HC0_se.html
- A Heteroskedasticity-Consistent Covariance Matrix Estimator and a Direct Test for Heteroskedasticity（White，Econometrica 48(4)，1980）：https://www.econometricsociety.org/publications/econometrica/browse/1980/05/01/heteroskedasticity-consistent-covariance-matrix-estimator-and
最後更新：2026/11/16