广义回归模型与异方差性

林澈评估南桥市自 2021 年实施的“青年技能跃迁计划”。教学模拟数据记录了培训时长、工作经历、照护支持、稳定就业，以及结业后十二个月内已观测月收入平均值；每位青年还有有效回访次数与缺失标记。

她原本只问：培训与收入的平均关联有多大？散点图却让她停下来。低培训时长处的收入聚得较紧，高培训时长处则从普通岗位到项目奖金都有。线仍可向上，线周围的宽度却不相同。

这不是小小的图形瑕疵。若不同起点青年面对不同的收入波动，常规标准误可能低估或高估不确定性，区间也可能失准。本章的目标是让你在误差不均匀时，仍能把结论说得可信、可查、不过度。

先看宽窄

每个散点都代表着一名青年的一种可能结局。即使两位青年同样完成了 80 小时的培训，她们的收入分布也未必一致——一位起点有限者的收入模拟结果可能集中在较窄范围内，而已有经验、能够流动的人则因涉及岗位变动、项目奖金甚至间断等因素，收入落点变得更加分散。这里的“宽度”描绘的是结局的不确定性，而不是评价个人能力。

你会发现，异方差的本质直觉是：均值曲线两侧的误差带（或点云宽度）随着某些条件——比如培训时长或其它起点属性——变得宽窄不一。这并不是说均值模型本身无效，而是提醒你：别把所有个体的随机波动都当成一样，模型推断的可靠性取决于能否看见这些模式。

所以分析时，先观察“哪些地方变宽，哪些地方收紧”，用肉眼直观感受多样的波动。如果宽窄并不均匀，就要进一步诊断，并考虑是否需要调整模型推断方式，比如使用异方差稳健标准误，否则结论可能失准。理解这些波动的来源，为后续诊断和建模导航，让结论经得起现实的复杂性考验。

残差在说什么

对第 $i$ 位青年，令 $Y_i$ 为已观测月收入平均值，$T_i$ 为培训时长，$X_i$ 为工作经历、照护支持等条件。先用平均模型整理问题：

这里 $u_i$ 是平均模型没解释掉的收入偏离，残差 $e_i=Y_i-\hat Y_i$ 是它的样本痕迹。若 $Var(u_i\mid T_i,X_i)=\sigma_i^2$ 且 $\sigma_i^2$ 随条件变化，异方差就在说“偏离的宽度不同”，不是自动说 $\beta_1$ 没有意义。

“培训效果是否随人变化”是另一层问题，需要和异方差区分开来。具体来说：

• 均值模型中的“效果差异”：可以添加交互项（如“培训 × 经验”），检验不同人群的收入提升是否不同。这关注的是“谁受益更多”。
• 残差图中的“波动差异”：则聚焦于误差方差是否随条件变化，即“同样背景的人，收入起伏有多大”。这反映结果的不确定性，而不是平均效果有多强。

两种差异可以同时存在，但分析步骤和结论应清晰区分，不能把“某组数据残差范围更宽”直接解释为“这一组培训效果更大”：

• “效果差异”要用模型结构明确表示，并估算其系数。
• “波动差异”则需考虑方差的变化对不确定性的影响，采用异方差稳健等推断调整。

简言之，宽残差带表示不确定性加大，不代表效果（均值提升）本身更显著。这两种信息必须分别建模和解释，不能混为一谈。

先修平均模型

林澈不会一见漏斗就加权。若培训收益在某个时长后才出现，而模型只画直线，残差也会形成模式；若把行业、城区或零收入的不同含义混在一起，所谓异方差可能只是均值设定或编码错误的影子。

第四组有 61 个模拟样本时，除了报告残差均值，还要展示分布和原始范围，并检查高波动是否由少数极端观测主导。样本很大时，轻微偏离也可能通过检验；样本很小时，明显漏斗又可能不显著，所以图、分组和检验应一起读。

检查动作：

先让推断可信

若平均关系仍可接受、观察近似独立，但方差具体怎样变说不清，主分析通常保留 OLS 系数，改用异方差稳健标准误。它不把培训效果改成另一个数，而是让高波动观察对不确定性的贡献被重新计算。

常规标准误近似把每个误差都当成同宽；稳健协方差让每个残差平方按其 $x_i$ 进入计算：

因此，常规区间不含零而稳健区间包含零，应读作“估计关联仍为正，但不确定性扩大”，而不是“稳健检验推翻了项目”。若 $E(u_i\mid T_i,X_i)\ne 0$，问题是内生性或遗漏因素，稳健标准误并不能补上识别设计。

给权重以前

加权最小二乘（WLS）方法，是通过最小化带权残差平方和 $\sum_i w_i(Y_i - x_i'\beta)^2$ 来获得回归系数估计值。在各观测独立且误差方差已知的理想情形下，最佳权重应与 $1/\sigma_i^2$ 成正比——也即，扰动条件方差较小的观测获得较高权重。这里处理的是回归扰动的条件方差，来源不只限于测量精度，不是人为决定“谁更重要”或“谁的声音应被放大”。

WLS的效率优势要求权重符合扰动的条件方差；方差可来自可靠外部信息，也可在适当条件下由数据估计。例如：如果林澈收集到某些青年的收入均值是基于不同次数、机制透明的回访调查，那么可进一步研究实际回访次数是否决定测量精度，再据此设定权重。但如果分析的目标是“完整十二个月的平均收入”，而遇到缺失或不规则的回访，仍需对缺失机制做充分说明，仅靠简单加权并不能澄清全部问题。

需要注意的是，任意将收入数额、个人特征，或甚至样本量的倒数直接加到 WLS 权重公式里，若缺乏理论和测量根据，往往不能提升效率，反倒可能扭曲估计。WLS 的优势建立在方差结构假设和外部测量精度的合理性上；若权重与真实方差不匹配，通常不能保证最优效率；在条件均值正确、权重适当外生且满足常规条件时，仍可能一致，但需采用相符的稳健推断。

使用 WLS 加权之前，需要注意以下几点：

• 只有在回归均值模型已经正确定义的前提下，WLS 加权才能提升效率。
• 如果均值模型有遗漏或设定错误，盲目采用权重可能导致估计结果偏离实际的总体关系。
• 应在加权前仔细核查：
  1. 明确加权对象是什么、依据是什么；
  2. 结合诊断图与模型残差，判断模型设定是否合理。
• 有合理外部依据支持时，加权可以提升主分析的准确性。
• 如果缺乏稳健依据，权重本身也需要进行敏感性分析，并给出充分的解释。

何时进入广义结构

WLS 只处理“每个人波动大小不同、彼此仍独立”的情况，即允许扰动条件方差不同，但这里假定不同观测的扰动不相关。如果只有部分人测得更准或误差分布更大，WLS 通过加权提升整体估计效率。

但现实中常见更复杂的结构：比如同一培训班的青年往往共享教师、资源或外部冲击，导致他们的收入误差不仅宽度不同，还会同步变化；又如同一青年跨多个月的收入，月与月之间难免相关，这就是时间序列内部的自相关（串联相关）。

遇到这些情况，我们可以写成 $y=X\beta+u$，允许 $Var(u\mid X)=\Omega$，这里 $\Omega$ 表示协方差矩阵。$\Omega$ 的对角线反映各观察的方差，非对角线则容纳了观测之间的相关性，比如同组成员受共同冲击、同一人多期数据的连带动荡。

广义最小二乘（GLS）方法利用 $\Omega^{-1}$ 对数据进行重新加权缩放，在结构假设有理论或数理基础时，能够进一步提升估计效率和推断精度。但要警惕：协方差结构猜错时，模型假设会伪装成精确结果，反而误导结论。因此，采用 GLS 或类似扩展方法时，应展示相关诊断、说明结构依据、并与稳健 OLS 保持对比。

按顺序做决定

林澈先写清她估计的是“结业后十二个月内已观测月收入平均值的条件关联”。这不是完整十二个月收入的无条件结论，也不是只凭一次回归就能证明的因果效应。目标明确后，缺失、均值模型和协方差问题才有正确的处理顺序。

她随后固定稳健 OLS 基准、保留诊断图、再选择推断方法。未知方差形式时，稳健标准误是透明起点；若权重或相关结构有外部测量、分组校准或可检验的理论支撑，WLS、FGLS 或 GLS 可纳入主分析或敏感性分析，同时保留稳健 OLS 作为较少结构假设的基准。

检查动作：

• 定义结果变量、目标总体、观测期与缺失口径。
• 清理单位、零值、极端值和重复记录。
• 先拟合有理论依据的平均模型并保存残差。
• 用图、分组和影响点共同判断误差结构。
• 报告稳健或聚类稳健的主推断。
• 并列呈现有依据的加权或广义规格。

预测的宽度

在解释培训的平均条件效应时，我们通常关注回归系数 $\beta_1$ 以及其稳健标准误。此时，我们的重点是“平均线”——也就是不同条件下，平均收入的变化幅度及其推断精度。相关的置信区间反映了平均水平的估计不确定性。

但当需要为某位具体青年作收入预测时，除平均估计的不确定性，还要考虑这位青年的个人收入如何在同等条件下自由波动。个人预测区间（prediction interval）不仅包含平均线的估计误差，还额外计入新个体残差带来的变异，因此预测区间通常比置信区间要宽。不同条件、不同背景的青年，其预测区间宽窄可能显著不同。

要准确报告随条件变化的个人预测区间，需要注意以下几点：

• 需要借助有依据的条件方差模型、分组校准或外部精度测量，来估计新观察的误差方差。
• 异方差稳健标准误能够反映平均推断的稳健性，但本身并不直接提供每种情况所需的个体预测区间误差方差。
• 对于不同背景的青年，不能简单假设他们的未来收入预测区间宽度相同。
• 预测区间的宽窄不应被当作对个人能力或结果的承诺或保证。

把预测讲清楚

练习：比较两位培训时长同为 80 小时、起点条件不同的模拟青年。若平均预测相近，而可跨区流动者的预测区间更宽，你要说明宽度来自更分散的可能收入路径，而不是对个人能力或价值的评价。

你的回答还应注明预测针对结业后十二个月内已观测收入。若有人少回访几个月，不能把这个预测直接改写为完整十二个月目标；有效回访与缺失机制决定了你能把结果推广到哪里。

结论要留边界

林澈最终可写：培训时长与已观测月收入平均值呈正向条件关联；残差诊断提示波动不均，因此主表采用与数据依赖结构相符的稳健推断。常规区间与稳健区间不同，说明精度结论依赖同方差假设，而不是培训历史效果被重新改写。

一份可信报告同时交代结果口径、回访缺失、均值模型、误差结构、主推断和敏感性分析。异方差不是要被遮住的警告，它让你看见不同起点青年面对的收入路径原本就不一样宽，也让模型的承诺恰好停在证据能够支持的地方。