不少人可能对方差齐性检验不是很重视，觉得正态性可能更重要，但其实方差齐性的重要程度可能更大，因为它可能会让你的标准误发生很大变化，从而导致结论的变化。线性回归中，方差齐性是一个必须考虑的前提条件。

本文主要介绍一下，如何理解线性回归中的方差齐性的含义，以及如何对方差是否齐性进行探测。

所谓方差齐性，也就是方差相等，在t检验和方差分析中，都需要满足这一前提条件。

在两组和多组比较中，方差齐性的意思很容易理解，无非就是比较各组的方差大小，看看各组的方差是不是差不多大小，如果差别太大，就认为是方差不齐，或方差不等。如果差别不大，就认为方差齐性或方差相等。当然，这种所谓的差别大或小，需要统计学的检验，所以就有了方差齐性检验。

在两组和多组比较中，每组都有很多数据，可以求出每组的方差，然后比较就行了，很容易理解。但是在线性回归中，有的人就不理解方差齐性是什么意思了。因为线性回归中自变量x不是分类变量，x取值很多。

通常情况下，每个x值只对应1个y值。比如，分析身高对血压值的影响，可能每个身高对应的血压值只有一个数值。很显然，对于1个数是没有办法计算方差的，那还何来“方差齐性”检验呢？

这是因为，尽管在一次抽样中每个x取值上可能只有1个y值，但对于总体而言，理论上每个x取值上对应的y值是有很多的。

例如，研究身高（x）与血压值（y）的关系，尽管在一次抽样中每一身高值（如170cm）所对应的血压值可能只有1个值（如140mmHg），但从总体而言这一固定的身高（170cm）所对应的血压值应该有很多，可能是140mmHg，也可能是150mmHg，只是在我们的抽样中恰好抽中了这1个值而已。

事实上，如果你重新抽样，170cm所对应的血压值可能就不是140mmHg了，有可能就是145mmHg或138mmHg等。