一句话定义
异方差（Heteroscedasticity）指模型的误差项方差不是恒定值，而是跟着输入 x 变化。反过来，误差方差处处相同，就叫同方差（Homoscedasticity）。几乎所有经典统计检验的推导，都默认后者成立。
一个生活化的比方
拿“工作年限预测月薪”做回归。刚入行的头两年，大家薪水都挤在一个窄区间里，模型猜得比较准；到了十年以上，有人做到高管、有人还在原地，误差的散布范围一下子被拉开。误差的“喇叭口”随 x 变大而张开，这就是典型的异方差。用“面积预测房价”也一样：小户型单价稳定，豪宅的成交价能差出好几倍。
关键点：点预测还能用，区间估计会失真
异方差下，普通最小二乘（OLS）的系数估计仍然是无偏的、一致的——也就是说，你预测的“平均值”大体还对。因此问题是：误差大小随输入变化时，区间估计和显著性结论不可信。
但 OLS 的标准误公式是按同方差推导的。一旦方差随 x 变化，算出来的标准误常常偏小，于是 t 值被高估、p 值被低估、置信区间偏窄。结果就是：明明没有差别，报告里却显示“显著”；明明不确定性很大，预测区间却画得很窄。注意方向不保证一定偏小，但实务中这是最常见的坑。
怎么补救
- 用稳健标准误（robust standard errors，常见的有 White 标准误及 HC 系列），只改标准误、不改系数，代价很小；
- 数据分组明显时用聚类稳健标准误（clustered standard errors）；
- 用加权最小二乘（WLS），让方差大的样本少说话；
- 对 y 取对数，压缩大值区的波动幅度；
- 用 bootstrap 重采样直接估区间，不依赖方差恒定的假设。
在深度学习里，思路上更进一步：让模型同时输出均值 μ(x) 和方差 σ²(x)，用高斯负对数似然训练。这样模型就能学会指出“这类输入我确实没把握”，也就是常说的异方差不确定性（heteroscedastic uncertainty）。具体实现细节各框架不同，以官方文档为准。
和相邻概念的区别
| 概念 | 出问题的地方 | 典型症状 |
|---|---|---|
| 异方差 | 误差方差随输入变化 | 部分区间预测区间偏窄、p 值虚小 |
| 自相关 | 误差彼此相关（时间或分组内） | 时序数据里显著性系统性虚高 |
| 多重共线性 | 特征之间高度相关 | 系数符号反常、方差膨胀 |
对从业者的实际意义
做 A/B 测试和业务报表的人最容易踩：不同渠道、不同用户群的转化率方差天然不一样，直接套普通 t 检验，容易把噪声读成增长。做预测系统的人则要留意，模型给出一个区间时，它在哪些输入上偏窄；下游如果拿它做风控或备货决策，偏窄的区间比没有区间更危险。
一句话记住：异方差不会毁掉你的点预测，但会让你的“显著”和“大概在这个范围”变得不可信。