什么是异方差？
在统计学中，异方差（Heteroskedasticity）发生在预测变量的标准偏差（对独立变量的不同值或与先前时间段相关）是非恒定的时。对于异方差，目视检查残差的迹象是它们会随着时间的推移呈扇形散开，如下图所示。
异方差性通常以两种形式出现：有条件的和无条件的。条件异方差识别与前期（例如，每日）波动率相关的非恒定波动率。无条件异方差（Heteroskedasticity）是指与前期波动率无关的波动率的一般结构变化。当可以识别未来的高波动和低波动时期时，使用无条件异方差。
异方差的基础
在金融领域，条件异方差（Heteroskedasticity）经常出现在股票和债券的价格中。这些股票的波动水平在任何时期都无法预测。在讨论具有可识别的季节性变化的变量（例如用电量）时，可以使用无条件异方差。
由于它与统计有关，异方差（也称为异方差）是指在特定样本中至少一个自变量内的误差方差或散射依赖性。这些变化可用于计算数据集之间的误差范围，例如预期结果和实际结果，因为它提供了数据点与平均值偏差的度量。
对于被认为相关的数据集，大多数数据点必须与切比雪夫定理（也称为切比雪夫不等式）所描述的均值的特定标准差之间。这提供了关于随机变量与平均值不同的概率的指南。
根据指定的标准偏差的数量，随机变量在这些点内具有特定的存在概率。例如，可能需要两个标准偏差的范围包含至少 75% 的数据点才能被视为有效。超出最低要求的差异的常见原因通常归因于数据质量问题。
异方差（Heteroskedasticity）的反义词是 同方差。同方差是指残差项的方差是恒定的或几乎恒定的条件。同方差性是线性回归建模的一种假设。需要确保估计是准确的，因变量的预测限是有效的，并且参数的置信区间和 p 值是有效的。
内容整理来源于网络仅供参考
