1 ホワイト検定の概要
ホワイト検定は、回帰分析において誤差項の分散が説明変数に依存せず一定である、という等分散性の妥当性を確認するための検定である。代表的には、通常最小二乗法（OLS）の標準誤差や推定量の信頼性が、等分散性に依存している点を診断する目的で用いられる。誤差のばらつきが平均の大きさや説明変数の水準とともに変化するならば、検定を通じて分散不均一（条件付き分散の非一定）を検出できる。
等分散性が崩れている可能性がある状況では、単に回帰の係数推定だけでなく、統計的推論（t検定や信頼区間）の妥当性に影響が出うる。ホワイト検定は、そのようなリスクを事前に評価するための診断手段として、計量経済学や統計モデリングの実務で広く取り入れられている。
1.1 検定の目的（等分散性の検証）
ホワイト検定の中心的な目的は、回帰モデルにおける誤差項の分散が一定であるかどうかを調べることである。具体的には、条件付き期待値が正しくモデル化されているとしても、誤差のばらつきが説明変数の関数として変化していないかを検討する。
検定で棄却が得られれば、等分散性という仮定がデータに照らして支持されないことを意味する。逆に棄却されない場合でも、等分散性が「証明された」とは限らないため、標本数やモデルの適切さといった背景条件を踏まえた解釈が必要になる。
1.2 検定の基本アイデア
ホワイト検定は、誤差の分散が一定でない場合に生じる規則的なパターンを、回帰の残差から間接的に捉える発想に基づく。等分散性が成立しているなら、残差の二乗は説明変数の有用な関数にならないはずである。そこで、残差二乗を用いた補助回帰によって分散不均一の有無を統計的に評価する。
1.2.1 条件付き分散の非一定の考え方
回帰の誤差項を \(u_i\) とし、条件付き分散 \(\mathrm{Var}(u_i \mid X_i)\) が説明変数ベクトル \(X_i\) によって変化する状況を考える。等分散性は \(\mathrm{Var}(u_i \mid X_i)=\sigma^2\) のように、条件づけをしても分散が同じであることを要求する。
現実のデータでは、例えば平均水準が高いほど誤差のばらつきが増える、あるいは特定の説明変数の範囲で変動が大きくなる、といった傾向が見られることがある。ホワイト検定は、このような「平均の外側で発生する規則性」を検出対象としている。
1.2.2 補助回帰による検定の構成
実装上の要点は、(1) まず対象回帰をOLSで推定し、(2) 得られた残差 \( \hat{u}_i \) から二乗残差 \( \hat{u}_i^2 \) を作り、(3) それを説明変数の関数で回帰する、という二段階の構造にある。補助回帰の決定係数 \(R^2\) を用いて検定統計量を構成し、等分散性の仮説のもとでのその大きさを基に有意性を判断する。
補助回帰に含める項は、検出したい分散不均一の一般性に対応する。典型的には、説明変数の一次項や交差項、二乗項などを用いて、幅広い形の条件付き分散の非一定を捉えるように設計される。これにより、特定の関数形を仮定し過ぎない方針が取られる。
1.3 検定で得られる解釈
ホワイト検定の結果は、帰無仮説（等分散性）がデータから支持されるかどうかを示す形で解釈される。通常の枠組みでは、有意水準に照らして検定統計量が十分大きい場合に帰無仮説は棄却され、分散不均一の存在が示唆される。
ただし、検定は「誤差分散がどの程度どの方向に変化しているか」を直接与えるわけではない。棄却の有無は、残差二乗に説明変数の情報が乗っているという事実を要約したものと捉えるべきである。また、モデルの平均構造が不適切な場合、残差に現れるパターンが分散不均一以外の要因（平均の誤指定など）から生じる可能性もあるため、結果の読み替えには注意を要する。
2 ホワイト検定の数理的定式化
ホワイト検定は、等分散性という仮説を、補助回帰の有意性で置き換えることで扱いやすくする。ここでは対象回帰の定式化、帰無・代替の関係、さらに補助回帰に基づく検定統計量と漸近理論を整理する。
2.1 回帰モデルと仮定
2.1.1 仕組み上の帰無仮説
対象とする回帰モデルを \[ y_i = x_i'\beta + u_i,\quad i=1,\dots,n \] とする。ここで \(x_i\) は説明変数ベクトルであり、OLSでは \(E[u_i\mid x_i]=0\) を満たすことが基本的な前提になる。帰無仮説は、条件付き分散が一定であること、すなわち \[ \mathrm{Var}(u_i \mid x_i)=\sigma^2 \] である。
この仮説のもとでは、残差二乗が説明変数の有効な関数にならず、補助回帰で説明力が過剰に高くならないことが期待される。ホワイト検定は、この期待を統計量の分布に結びつけて評価する。
2.1.2 代替仮説（分散不均一の一般形）
代替仮説は、条件付き分散が一定でないこと、すなわち \[ \mathrm{Var}(u_i \mid x_i) = \sigma_i^2 \] であり、\(\sigma_i^2\) が \(x_i\) の関数として変化する一般的な可能性を含む。ホワイト検定の特徴は、特定の関数形（例えば比例型など）に限定せず、補助回帰に入れる項の集合によって幅広く非一定パターンを捕捉しようとする点にある。
ただし一般性を高めるほど補助回帰の次元も増えるため、標本サイズとのバランスが問題になる。理論上の「どこまで一般的に近いか」は、補助回帰に投入する項の設計に依存する。
2.2 検定統計量の導出
2.2.1 補助回帰に含める項の選び方
補助回帰は、一般に \[ \hat{u}_i^2 = z_i'\gamma + \text{誤差} \] の形で構成される。ここで \(z_i\) は説明変数から作られる項のベクトルである。選び方の代表例として、一次項、交差項、二乗項を含める「完全多項式に近い」構成が挙げられる。これにより、条件付き分散がその範囲で表現される場合に検出力を確保しやすい。
2.2.1.1 一次項・交差項・二乗項の扱い
一次項は各説明変数そのもの、交差項は異なる説明変数同士の積、二乗項は各説明変数の平方に対応する。これらを \(z_i\) に含めることで、分散の変化が単調な形に限られず、同時に複数の説明変数の組み合わせに依存する可能性も反映できる。
実務では、説明変数の数が多いと交差項や二乗項により次元が急増する。過度に多くの項を入れると、推定の不安定さや自由度の不足を招き得るため、ソフトウェアの既定設定や研究目的に応じた設計が重要になる。
2.2.2 決定係数に基づく統計量
補助回帰の推定後、決定係数 \(R^2\) を用いて検定統計量が構成される。典型的な形では、サンプルサイズ \(n\) と \(R^2\) に基づき \[ \text{LM} = nR^2 \] のような統計量を採用する。直観的には、等分散のもとで \( \hat{u}_i^2 \) を説明できないはずの情報が、補助回帰でどの程度系統的に説明されているかを測る指標になっている。
棄却域は、補助回帰に含めた独立制約の数に対応する自由度のカイ二乗分布（漸近的）で決まる。したがって、検定は補助回帰側の設計と整合する形で理論的評価が行われる。
2.2.3 漸近的な分布と有意性判断
LM統計量は、通常の正則性条件のもとで、帰無仮説が正しいとき漸近的にカイ二乗分布に従うとされる。自由度は、補助回帰の独立な係数数（定数項を除く等、構成により定義される部分）に対応する。
有意水準 \( \alpha \) を設定すると、カイ二乗分布の上側確率が \(\alpha\) 以下であれば棄却となる。なお、有限標本では理論近似の精度が保証されないことがあるため、特にサンプルが小さい場合には結果の解釈を慎重に行う必要がある。
3 実装と実務での手順
3.1 データ準備と回帰推定
最初に、対象となる回帰式を定め、OLSで推定する。目的変数と説明変数、変数の変換（ログ変換や差分など）が必要な場合は、平均構造の設計としてこの段階で整える。欠測値がある場合は、解析単位が一致するように処理（除外や補完）を行う。
推定が完了したら、残差 \(\hat{u}_i\) を計算し、そこから二乗残差を作る。以降の手続きは、この残差二乗を基にした補助回帰の推定に進む。
3.2 ホワイト検定の実行手順
3.2.1 基本モデルの推定
対象回帰をまず推定し、残差を得る。推定結果の基本的な妥当性（極端な外れ値の存在、説明変数の分布の偏り、推定不能の状況など）を確認することが実務上の前提になる。ここが不適切だと、後続の分散診断も誤った結論に導かれうる。
3.2.2 補助回帰の作成
次に、残差二乗を従属変数とし、説明変数から作成した項ベクトル \(z_i\) を説明変数として補助回帰を構成する。項の集合は一次・二乗・交差などを含む設計が一般的だが、ソフトウェアでは既定のセットまたはユーザ指定の形で実装される。
補助回帰の推定後、決定係数 \(R^2\) を取得して検定統計量を計算する。自由度は補助回帰の係数数に基づくため、投入した項の種類と数が結果に直結する点を意識する。
3.2.3 有意水準での結論
計算した統計量と対応する自由度のカイ二乗分布から p値を求める。p値が設定した有意水準より小さい場合には等分散性が棄却され、分散不均一が示唆される。
結論は「誤差の分散が一定ではない可能性が高い」という診断に留め、平均構造の再検討やロバスト推定の必要性に接続していくのが通常の実務的流れになる。
3.3 ソフトウェア利用時の注意点
3.3.1 バージョンや既定の項の違い
ソフトウェアによって、補助回帰の項構成（一次項のみ、二乗項や交差項を含むか、定数項の扱いなど）が異なることがある。既定設定をそのまま使う場合、結果の数値が文献や別環境の出力と一致しない原因になり得るため、ドキュメントの確認が必要になる。
また、モデル行列の作り方（係数推定に含まれるダミー変数や切片の取り扱い）によって、実質的に投入される項が変わることもある。再現性の観点では、使った設定を記録することが望ましい。
3.3.2 欠測値や外れ値の影響
欠測値処理により分析対象が変わると、残差の性質が変わり検定結果にも影響する。外れ値は残差二乗に強く反映されるため、分散不均一が「本質的な構造」ではなく「少数の極端な観測」による見かけとして生じている可能性もある。
したがって、結果が棄却を示した場合には、影響度の高い観測の存在や、データの前処理（単位変換、指標化、ロギングなど）の妥当性を併せて確認するのが実務上の安全策となる。
4 解釈の注意点と関連手法
4.1 検定結果の読み替え（過度な一般化の回避）
ホワイト検定の棄却は、誤差の条件付き分散が一定でない可能性を示すが、同時に「平均の式が正しい」という前提のもとでの診断である。平均構造の誤指定、欠落変数、関数形の不足などがあると、残差のパターンは分散以外の問題に由来し得る。
したがって読み替えとしては、まずモデルの平均部分の妥当性を点検し、そのうえで分散不均一への対処（ロバスト標準誤差など）を検討する順序が望ましい。結果をそれ単体で原因究明へ直結させないことが重要になる。
4.2 有効性・前提条件・限界
4.2.1 標本サイズと検出力の関係
補助回帰での項数が多い場合、推定の自由度が減り、有限標本での近似誤差が増える可能性がある。小標本では検出力が不足し、真に分散不均一があっても棄却に至らないケースが起こり得る。
反対に大標本では微弱な非一定でも棄却されやすくなるため、実質的な大きさ（効果の程度）と統計的な有意性を分けて判断する姿勢が求められる。
4.2.2 モデル指定の誤りがもたらす影響
平均方程式が不適切だと、残差二乗に現れる系統性が分散の問題として誤って解釈されることがある。例えば本来非線形な関係を線形で押し込めている場合、誤差のばらつきに見えるパターンが生まれることがある。
このため、ホワイト検定は「分散の診断」として有用である一方、モデル全体の妥当性を置き換えるものではない。理論整合や検証的な再推定を通じて、原因を絞り込む必要がある。
4.3 分散不均一が疑われた場合の対処
4.3.1 ロバスト標準誤差の利用
分散不均一が示唆された場合、推定係数を同じOLSで保ちつつ、標準誤差をロバストにする方針が一般的である。これにより、分散不均一が推論に与える影響を緩和し、係数の有意性評価をより妥当な形に修正できる。
ただしロバスト化は万能ではなく、他の前提（系列相関、モデルの欠落など）が別途存在するなら、対応策も組み合わせて検討する必要がある。
4.3.2 変量効果・GARCH等との位置づけ
データの構造によっては、分散不均一が「観測単位の違い」や「時間変動の持続性」と結びつく場合がある。例えばパネルデータでの分散のばらつき、時系列でのボラティリティのクラスタリングといった現象には、変量効果モデルやGARCH系の枠組みが適合し得る。
ホワイト検定はそれらの具体的モデルを自動的に選ぶものではないが、少なくとも誤差分散が一定でない可能性を示す入口として位置づけられる。以後はデータの生成過程に関する仮説と整合するモデル化を行うことが実務上の筋になる。
4.4 他の分散不均一検定との比較
4.4.1 ブルッシュ＝ペーガン検定との違い
ブルッシュ＝ペーガン検定は、分散不均一を説明変数の一次的な関数として捉える設計が典型であるのに対し、ホワイト検定は二乗項や交差項を含めることで、より広い形の非一定を検出しようとする。したがって、分散の変化が複雑な関数形で現れる場合にはホワイト検定が有利になり得る。
一方、項の数が増えることで有限標本での振る舞いが変わる点は、実務上の比較軸になる。どちらが優れているかはデータと仮説の形に依存するため、検定の設計意図を理解したうえで使い分けることが望ましい。
4.4.2 ブラントマンテスト等との使い分け
ブラントマンテストは、説明変数の関数として誤差分散の変化を評価する検定群の中で、利用目的に応じた設計が採られることがある。ホワイト検定は「一般的な形」を狙う設計に寄りやすいのに対し、他の検定は想定する分散の構造や変換の仕方が異なる場合がある。
実務では、検出したいパターンの想定、説明変数の次元、データの規模、そしてソフトウェアの実装の違いを踏まえて選ぶことになる。結果を単一の検定に依存させず、複数の診断を併用する判断が有効な場面もある。