经典线性回归模型的一个重要假设就是回归方程的随机扰动项u_i，具有相同的方差，也称同方差性。但在大多数经济现象中，这种假设不一定成立，有时扰动项u_i的方差随观察值的不同而变化，这就是异方差性。扰动项具有异方差性的模型称为异方差模型。如果对异方差模型进行OLS估计，就会产生严重的后果：参数估计量的方差不具有最小方差性；估计与预测的精度降低。因此，研究异方差的检验方法及存在异方差时的处理方法具有重要意义。 本文在第一节中，提出了异方差问题，并且叙述了直接用普通最小二乘法处理异方差模型可能带来的严重后果。 在第二节中，首先综述了各种文献中给出的常用的检验异方差的方法，它们有图示法、斯皮尔曼(Spearman)的秩相关系数检验法、帕克(Park)检验法、格莱舍尔(Glejser)检验法、戈德菲尔德-匡特(Goldfeld-Quandt)检验法。由于戈德菲尔德-匡特检验方法只适用于一个自变量，因此，本文对G-Q检验进行了推广，说明在多变量的情况下，可以利用主成分对样本数据进行排序，并强调使用戈德菲尔德-匡特检验的前提：低样本组各观察值的扰动项必须具有同方差性；高样本组各观察值的扰动项也必须具有同方差性，否则，检验的结果可能是错误的。对于这些方法，如何根据实际情况选择最好的检验方法是值得研究的。本文选用三种不同的异方差形式，对帕克检验、格莱舍尔检验、戈德菲尔德-匡特检验作随机模拟，并对这几种方法略作比较。 异方差的存在虽然并不破坏普通最小二乘估计量的无偏性，但是估计量的方差变大了。由于估计量方差的变大，就使通常假设检验的值不可靠。因此，如果怀疑存在异方差或者已经检测到了异方差的存在，就要想办法克服它，使估计量具有较小的方差，使回归模型有较强的实用性。本文在第三节中，主要讨论异方差的处理方法。在异方差形式已知的情况下，用加权最小二乘法得到最优线性无偏估计。在异方差形式未知的情况下，可以根据残差图对异方差的形式作出一些合理的假定，然后对原模型作适当的变换，使得变换后的模型其扰动项的方差趋于稳定；或是找出合适的λ值，利用Box-Cox变换，使模型的扰动项具有同方差性，从而可使用普通最小二乘法求得变换后模型的参数估计，进而得出原模型的参数估计。 对异方差不同的处理方法，可能得出不同的模型。这些模型虽然都能消除异方差，但需要进一步研究哪种模型比较适合，哪个模型更有效。本文在第四节中，结合一个具体实例。先用几种方法对数据是否具有异方差性进行检验，然后选择适当的方法进行变换，最后指出，可以通过对新模型作最小二乘拟合等方法，观察变换后的模型其数据的拟合程度，以确定模型的优劣。 最后一节，对本文作一简单小结，并说明有一些问题有待进一步的研究。