异方差性的后果是什么

同方差假设MLR.5指出，误差方差在显示OLS是否无偏或一致方面没有作用，而像省略一个重要变量则会产生的异方差性。

1. 异方差性后果

异方差性并不影响回归参数估计量的一致性，但会导致错误推断。如果回归参数的估计与参数的真值不同的概率随着回归中使用的观测数的增加而减少，那么回归参数的估计将是一致的。异方差性会对统计推断产生不可靠的结果。

2. 参数估计量有效性

异方差性会使得参数估计量非有效。在普通最小二乘（OLS）估计中，假设误差项的方差是常量，即同方差性。当异方差性存在时，标准误差会出现非常大或非常小的变化，在有效性中，利用了误差项方差与解释变量无关这一同方差的假设，但是现在误差项方差与解释变量相关，这会导致参数估计的标准误差被低估或高估，进而影响参数估计的显著性检验。

3. 变量的显著性检验失去意义

由于异方差性的存在，标准误差被低估或高估，从而导致变量的显著性检验失去意义。在标准显著性检验中，我们使用t检验来判断回归系数是否显著不为零。由于异方差性导致参数估计的标准误差不准确，t值将会出现错误的结果。

4. 模型的预测失效

异方差性会对模型的预测失效产生影响。在古典模型的假设下，最小二乘估计量是线性、无偏、有效的。当存在异方差性时，模型的预测能力将会受到影响。由于异方差性导致参数估计的标准误差不准确，预测区间的宽度可能会被低估或高估，从而降低了模型的预测准确性。

5. 异方差性的产生原因

异方差性的产生有多种原因：

(1) 模型中遗漏了某些解释变量。

(2) 模型函数形式的设定误差。

(3) 样本数据的测量误差。

(4) 随机因素的影响。

异方差性的后果主要包括参数估计量非有效性、变量的显著性检验失去意义、模型的预测失效等。异方差性是古典模型基本假设的破坏，在进行回归分析时需要注意。为了解决异方差性带来的问题，可能需要进行权重最小二乘估计（WLS）或者进行异方差稳健标准误差的修正。