[名词解释] 怀特检验

[名词解释] 怀特检验

怀特检验（White Test）是由经济学家Halbert White于1980年提出的一种统计方法，用于检测线性回归模型中的异方差性——即随机干扰项的方差随解释变量变化而不再恒定的现象。这种检验通过构造拉格朗日乘数（LM）统计量，判断残差平方是否与解释变量及其交叉乘积存在显著相关性，从而推断异方差是否存在。

核心原理

怀特检验的核心逻辑基于残差平方对解释变量的辅助回归。假设原回归模型为 $y = \beta_0 + \beta_1x_1 + \dots + \beta_kx_k + \varepsilon$，其中 $\varepsilon$ 为随机干扰项。检验步骤如下：

估计原模型：用OLS方法得到残差 $\hat{\varepsilon}$，并计算残差平方 $\hat{\varepsilon}^2$。

构造辅助回归：将 $\hat{\varepsilon}^2$ 对原解释变量、解释变量的平方项及交叉乘积项（如 $x_1^2, x_1x_2, \dots$）进行回归，即

$\hat{\varepsilon}^2 = \alpha_0 + \alpha_1x_1 + \dots + \alpha_kx_k + \alpha_{k+1}x_1^2 + \alpha_{k+2}x_1x_2 + \dots + v$

计算检验统计量：辅助回归的可决系数 \(R^2\) 与样本量 \(n\) 的乘积 \(nR^2\) 服从自由度为辅助回归中解释变量个数的卡方分布（\(\chi^2\)）。

判断异方差：若 \(nR^2\) 大于给定显著性水平的 \(\chi^2\) 临界值（或对应的 \(p\) 值小于0.05），则拒绝“同方差”原假设，认为存在异方差。

应用场景与工具

怀特检验广泛应用于计量经济学建模，尤其适用于无法确定异方差具体形式的场景。在实际操作中，统计软件如Stata可通过命令 imtest, white 直接实现，输出结果包含 \(nR^2\) 统计量和 \(p\) 值。例如，对居民消费模型进行检验时，若结果显著，可能表明消费数据的波动随收入（解释变量）增加而变化。

优缺点

优点：无需预设异方差的具体形式，适用性强；不仅能判断是否存在异方差，还可通过辅助回归系数的显著性定位引起异方差的变量。

缺点：当解释变量较多时，交叉乘积项会急剧增加，导致自由度损失和检验效能下降；样本量较小时，\(nR^2\) 的卡方分布近似效果较差。

与其他方法的对比

相较于图形法（如残差图）的主观性，怀特检验通过严格的统计推断提供了更可靠的判断依据。但它对模型设定较为敏感，若遗漏关键解释变量，可能误判异方差来源。实践中常与布雷斯-帕甘检验（B-P检验）结合使用，后者适用于异方差仅与部分解释变量相关的情况。

怀特检验的提出极大推动了计量经济学的稳健性分析，其思想也为后续异方差一致协方差估计（如White标准差）奠定了基础。在实证研究中，它仍是检测异方差的“标准工具”，尤其当数据存在明显波动模式（如截面数据中不同群体的收入差异）时，能有效保障回归结果的有效性。