1 異分散性の概要
1.1 定義と基本概念
異分散性とは、回帰モデルや分散分析などで用いられる誤差（残差）のばらつきが、説明変数の値や観測条件によって一定ではなく変化する状態をいう。典型的には、ある入力領域では誤差の分散が小さく、別の領域では大きいといった形で現れる。誤差分散が一様でないと、平均構造を推定すること自体は可能でも、誤差の大きさに基づく推定精度や推論（検定・信頼区間）の信頼性が損なわれやすい。
1.2 分散一定性（等分散性）との関係
等分散性は誤差分散が一定であるという前提であり、異分散性はそれが崩れた場合に対応する。多くの古典的手法（通常の最小二乗に基づく分散推定や検定）は、等分散性の仮定に依存する。具体的には、等分散の下で導かれる分散推定量の性質や、標準誤差・検定統計量の校正が成立しなくなるため、過度に楽観的または保守的な結論になり得る。
1.3 現れる場面（回帰・分散分析など）
異分散性は幅広い実務データで見られる。回帰では、例えば価格データで高額帯ほど測定ばらつきが増える、需要量が小さい条件では変動が相対的に大きいといった現象が該当する。分散分析でも、群ごとにばらつきが異なる場合に同様の問題が生じる。さらに、時系列や階層構造を含むデータでは、条件や集団に応じて誤差の大きさが変わり、単一の分散で誤差をまとめることが不自然になることがある。
2 数学的表現とモデル化
2.1 回帰モデルにおける誤差分散の記述
線形回帰では、観測 \(i\) に対して \[ y_i = x_i^\top \beta + \varepsilon_i \] とし、誤差 \( \varepsilon_i \) の平均が0である状況を想定することが多い。等分散性の典型的仮定は \( \mathrm{Var}(\varepsilon_i)=\sigma^2 \)（すべての \(i\) で同じ）であるのに対し、異分散性では \[ \mathrm{Var}(\varepsilon_i)=\sigma_i^2 \] のように観測ごと（あるいは説明変数の値ごと）に分散が変化する。行列表現では、誤差ベクトル \( \varepsilon \) に対し分散共分散行列 \[ \mathrm{Var}(\varepsilon)=\Omega \] を導入し、\(\Omega\) が対角行列であっても対角要素が一様でないと異分散になる。相関がある場合は対角以外の要素も非ゼロとなり、より一般の誤差構造として扱う必要が出る。
2.2 分散構造の例（説明変数依存・条件依存）
異分散の分散は、説明変数や観測条件の関数としてモデル化できる。例えば、誤差分散がある連続量 \(z_i\) の関数 \[ \mathrm{Var}(\varepsilon_i)=\sigma^2 g(z_i) \] で表されると仮定する。ここで \(g(\cdot)\) は正の値を取る必要があり、べき乗型、指数型、対数型などが候補となることがある。また、条件依存としてカテゴリ変数（群や装置、測定者など）に応じた分散が存在する場合、\(\sigma_i^2\) は群ごと定数として取り扱える。分散の変化が明確であれば、後述する重み付けや分散モデル化の設計に直接つながる。
2.3 条件付き分散と周辺分散
回帰文脈では「条件付き分散」が重要になる。条件付き分散とは、説明変数 \(X\) や共変量の値を固定したうえでの誤差のばらつきであり、異分散性の判定の中心はしばしば \[ \mathrm{Var}(\varepsilon \mid X) \] の非一様性に置かれる。一方、周辺分散は \(X\) を取り込んだ全体としてのばらつきを指し、条件付きで分散が変化していると周辺分散の表現にもその影響が混ざる。実務上は、推論を行う対象が「どの条件のもとでのばらつきか」によって解釈が変わるため、条件の取り方を明確にすることが望ましい。
3 検出・診断
3.1 残差プロットによる視覚的診断
診断の出発点として、残差のプロットが用いられる。代表的には、残差と当てはまり値（予測値）や特定の説明変数の散布図を作り、ばらつきの広がりや縮まりが系統的に起きていないかを確認する。例えば、予測値が小さい領域では残差が密で、値が大きくなるにつれて幅が広がるなら異分散が疑われる。また、残差の標準化やスケール調整を行ったうえで、縦方向の広がりが説明変数に依存していないかを見る方法もある。視覚診断は強力だが、サンプルサイズやスケールの影響を受けるため、統計的検定と併用するのが一般的である。
3.2 統計的検定（代表例）
統計的検定は、等分散の仮定が妥当かを形式的に評価する。代表例としては、モデルに基づく残差（あるいはその二乗）を利用し、説明変数との関係が残差分散の一定性を破る程度を調べる手続きがある。検定の具体手順は方法ごとに異なるが、共通して「分散が説明変数に依存する余地があるか」を評価する枠組みを持つ。注意点として、検定はモデルの不適切さ（誤った関数形、重要変数の欠落）にも反応し得るため、異分散だけを原因と断定せず、モデル全体の妥当性も併せて点検する必要がある。
3.3 影響の確認（外れ値・レバレッジとの関係）
異分散性の診断では、外れ値やレバレッジの寄与を区別することが重要になる。極端に大きい残差を持つ点は、異分散によって本質的に分散が大きい領域に対応している場合もあれば、単なる観測上の異常やモデルの取りこぼしが原因の可能性もある。レバレッジの高い点（説明変数の値が平均から大きく離れている点）は、係数推定や残差パターンに強い影響を与えることがあるため、診断時には各点の寄与度を確認する。頑健な手順や感度分析を併用すると、異分散の見かけが特定の観測に支配されていないかを確認しやすい。
4 対処と実務上の選択
4.1 頑健標準誤差（ロバスト分散推定）
対処の第一選択として、頑健標準誤差（ロバスト分散推定）が用いられることが多い。これは誤差分散の一定性を仮定せずに、係数推定量のばらつきをより一般の誤差構造に対応して評価する枠組みである。結果として、通常の標準誤差が過小または過大になることを抑え、検定や信頼区間を保守的に修正できる場合がある。注意点として、ロバスト推定は「平均の正しいモデル化」が前提となることが多く、誤った関数形そのものを直さない限り限界が残る。
4.2 重み付き最小二乗と一般化最小二乗
誤差分散が既知または推定可能な形で分かっている場合、重み付き最小二乗や一般化最小二乗が有効になる。一般化最小二乗（GLS）は、誤差の分散共分散行列を反映した重みを用いて推定精度を改善する方法である。重み付き最小二乗は、特に誤差分散が対角的であり、各観測の誤差分散が個別に異なる状況で自然に現れる。分散が大きい観測の影響を小さくし、分散が小さい観測を相対的に大きく反映することで、係数推定量の効率が上がる可能性がある。
4.3 変数変換・リンク関数の検討
異分散を緩和する別の方策は、応答変数や目的関数の変換である。例えば対数変換は、倍率的な誤差構造や相対誤差が一定に近い状況で、分散の安定化に寄与し得る。分散が平均の増加とともに増えるタイプでは、分散安定化変換が改善をもたらすことがある。変換により解釈は変わるため、科学的・業務上の意味づけが損なわれないか、また逆変換や予測時の扱いを含めて検討する必要がある。
4.4 分散をモデル化する方法（分散回帰など）
より本質的なアプローチとして、分散自体をモデル化する方法がある。分散回帰は、誤差分散（あるいは条件付き分散の尺度）を説明変数の関数として明示し、同時に平均構造も推定する枠組みである。これにより、異分散の発生機構を統計的に表現でき、予測区間の作成などにも直接つなげられる場合がある。実装では推定の不安定さや過学習の懸念もあるため、分散側に入れる変数の選び方や、モデル選択の妥当性を慎重に評価することが求められる。
4.5 選択指針と注意点（推定・検定の妥当性）
選択は「目的（推論か予測か）」「誤差構造の理解の程度」「計算可能性」「解釈の要請」に依存する。係数の推論を主目的とし、分散構造を精密に特定できない場合には、頑健標準誤差が実務的な出発点になりやすい。分散の形を比較的信頼して仮定できるなら、重み付き最小二乗やGLSで効率改善が見込める。応答変換は分散安定化の観点で有効になり得るが、意味の変更を伴うため注意が必要である。分散回帰のような拡張モデルは柔軟だが、仮定や推定誤差の増大によって不確実性が増えることもある。いずれにせよ、異分散は単独の問題とは限らないため、関数形、欠落変数、相関構造、外れ値の影響なども含めて総合的に妥当性を検討することが推奨される。