我们线性回归的CLR假设之一是扰动项是同方差的,这意味着它们具有相同的离散程度(
)。然而,有时回归最终会得到异方差的扰动项,这意味着离散程度不相等(
)。
异方差,锥形
异方差在横截面数据中比在时间序列数据中更常见。它通常是由于规模或大小因素造成的。
示例:在基本的凯恩斯经济学中,我们假设储蓄和收入由财富和收入决定。拥有更多财富和收入的主体更有可能储蓄,这将产生异方差关系。主要原因包括:1. 异常值的存在 2. 变量遗漏 3. 回归变量分布的偏度 4. 不正确或错误的函数形式
1) OLS系数对于真实值仍然是无偏的。 
无偏系数取决于
因此,回归在这个假设下不受异方差性的影响。
2) OLS系数不是有效的。存在OLS系数的替代方案,其方差小于OLS系数的方差。
其中
,因此,更有效。
3) 在存在OLS系数异方差的情况下,基于系数标准误的假设检验是无效的。
OLS估计量的估计方差中的偏差会导致效率低下。
回顾:
当
是无偏的时,第二项趋于零。然而,在异方差的情况下,第二项不为零。
推导
,当

我们可以用矩阵 Z 来表示误差项方差的差异