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
下载
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
- 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。
立即学习“Python免费学习笔记（深入）”；
- 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
