Breusch-Pagan检验最直接常用，需传入OLS残差和设计矩阵X，返回lm_pvalue等四值，显著性水平0.05下判断异方差；图示诊断与稳健标准误更可靠。

用 statsmodels 的 het_breusch_pagan 检验残差异方差

最直接、最常用的方法是 Breusch-Pagan 检验，它检验残差平方是否与预测值或自变量存在线性关系。前提是模型已拟合完成，且你有 statsmodels（pip install statsmodels）。

关键点：必须传入原始回归的残差和设计矩阵（即 X），不能只传预测值；否则检验统计量会失真。

• 先用 sm.OLS(y, X).fit() 得到结果对象 res
• 调用 sm.stats.diagnostic.het_breusch_pagan(res.resid, res.model.exog)
• 返回四元组：(lm_stat, lm_pvalue, f_stat, f_pvalue)；关注 lm_pvalue，
• 若 X 包含常数项（默认添加），检验结果更稳健；若手动去掉了截距，需确保 exog 仍含常数或明确传入 add_constant=False

画残差 vs 拟合值图（residuals vs fitted）快速目视判断

这是诊断异方差最直观的手段，不依赖假设，也不需要统计检验的显著性阈值。只要残差散点图呈现漏斗形、喇叭形或明显扩大的趋势，就该警惕。

macOS UI 自动化技能包 —— 用 Python 控制你的 Mac

让 macOS 自动化像说话一样简单 —— 用代码控制你的 Mac，无需学习 AppleScript 系统要求 macOS 14+ (Sonoma) Python 3.9+ 需要开启：辅助功能 + 屏幕录制权限

下载

• 用 plt.scatter(res.fittedvalues, res.resid) 绘图，加一条 y=0 水平线（plt.axhline(y=0, color='k', linestyle='--')）
• 避免只看绝对值：负残差收缩、正残差发散也算异方差
• 若样本量小（
• 注意横轴是 fittedvalues（不是 y 或 X 的某一列），因为异方差常随预测水平变化

当 het_breusch_pagan 报错 ValueError: design matrix has more columns than rows

这通常发生在样本量 n 小于自变量个数 k（包括截距）时，导致设计矩阵不满秩，无法做辅助回归。Breusch-Pagan 内部要对残差平方做线性回归，而 n 直接失败。

• 检查 X.shape：若 n ，检验本身无意义，应先简化模型（删变量）或收集更多数据
• 不要强行用 dropna=True 或插值“补足”行数——那只会伪造统计自由度
• 替代方案：改用 het_white（White 检验），它包含所有二次项和交叉项，但对小样本更敏感；或直接看残差图+稳健标准误（如 res.get_robustcov_results('HC3')）
• 注意：het_white 在高维下易过拟合，若 k > 10，结果可能不稳定

异方差存在时，为什么不能直接忽略 OLS 的 std_err？

因为 OLS 标准误公式假设同方差，一旦违反，res.bse 会低估真实变异，导致 t 检验膨胀、置信区间过窄、p 值偏小——你可能把不显著的变量“检出”为显著。

• 修复方法不是重写模型，而是换标准误：用 res.get_robustcov_results('HC3').bse 替代原 res.bse
• 'HC3' 是推荐默认选项，对中等异方差鲁棒性好；'HC0' 是经典 White 标准误，但小样本易偏大
• 注意：系数估计值 res.params 不变，变的只是推断依据；所以 R²、F 统计量等描述性指标仍可用，但假设检验必须用稳健版本
• 如果后续要做预测区间，普通 OLS 的预测区间也失效，需用自助法（bootstrap）或专门的异方差-一致预测带

实际处理时，很多人卡在“检验显著但不知道下一步怎么改”。重点不是追求检验 p 值刚好 >0.05，而是确认残差分布是否系统性偏离恒定方差——图比数字更诚实，而稳健标准误比强行变换变量更可靠。

Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！