方差为什么不用绝对值：数学与计算缺陷

方差为什么不用绝对值，核心原因是绝对值在求导、代数运算上存在断点，平方形式可平滑求导，同时平方会放大偏离均值较大的数据，更适合衡量离散程度；绝对值离均差（平均绝对偏差）计算简单，但无法适配回归、最小二乘等模型推导，两种指标各有适用场景，当数据存在极端异常值较多的场景，平均绝对偏差表现会更稳定，而样本量较小、需要做参数估计的统计建模场景，优先选用方差。平方运算具备连续可导特性，在微积分推导中可以直接求极值，这是统计学选择方差的关键底层逻辑，绝对值函数在均值点导数不存在，优化求解时会卡住，无法直接用常规求导方式找到最优参数。

方差为什么不用绝对值：代数运算差异

绝对值表达式拆开后很难做代数化简，平方形式则可以展开、分解，方便后续推导公式。在计算样本方差、协方差、相关系数时，平方项能够拆分出均值相关的简化式子，大幅降低公式推导难度。平均绝对偏差没有这类简洁的变形公式，复杂统计推导中很难继续运算。比如在证明方差可加性时，平方的交叉项可以直接处理，绝对值形式无法实现同类推导。

平方天然放大离群点。

平方会对距离均值更远的数值施加更大权重，让方差对异常数据更敏感，这一特性在很多统计任务里属于有用属性。例如质量检测场景中，偏离标准值很远的次品会被重点识别。绝对值只记录距离大小，所有偏差同等加权，极端数值不会带来额外影响，适合对异常值不想过度放大的分析场景。

方差为什么不用绝对值：求导与建模限制

最小二乘法是线性回归的基础方法，该方法依靠平方损失函数求解最优拟合直线，这也是方差选择平方而非绝对值的重要应用支撑。平方损失函数全程光滑，任意位置都可以计算导数，算法能够迭代找到损失最小的参数。绝对值损失函数在均值位置存在折点，导数在此处突变，梯度下降这类数值算法会出现震荡，不容易稳定收敛。部分模型可以使用绝对值损失，但是求解算法复杂度会明显上升。

平均绝对偏差并不是错误指标，只是没有成为方差的定义形式。在描述统计学中，平均绝对偏差可以单独用来描述数据波动，很多经济数据分析会采用它降低极端数值干扰。只是传统方差定义选定平方，是为了适配整套数理统计体系，不是绝对值本身没有意义。

样本量少于10，且异常数据占比超过三成时，方差参考价值会下降，改用平均绝对偏差更稳妥。

绝对值形式在数学上无法便捷推导协方差。协方差用来衡量两个变量同步波动的程度，它的定义继承了平方的思路，和方差配套使用。如果基础离散指标改用绝对值，协方差、相关系数整套体系都无法建立简洁的数学表达，多元统计分析会变得十分繁琐。

概率论里，平方偏差满足期望运算的简单性质，期望的平方与平方的期望可以建立固定等式，方便证明大数定律、中心极限定理等基础结论。绝对值偏差的期望没有这类简洁恒等式，很难完成严谨的概率推导，难以支撑大样本下的统计推断。

使用绝对值计算离散程度，会丢失变量之间的联动推导能力，限制统计模型拓展。