我们在对现实生活中的数据进行统计建模时会发现在数据中往往存在数据缺失的情况。数据缺失的原因有很多,例如数据采集时没有采集到,又如数据保存时出现各种原因导致数据丢失等原因。虽然生活中很多数据的产生很快且成本很低,同时对研究不会存在影响,通常我们对这类缺失的数据进行删除,然后进行研究。但是耗费巨大人力、物力、财力或是很长时间才能观测到的数据丢失将是巨大的损失,此时首先要将缺失的数据进行补全,然后进行研究。半参数回归模型在统计建模中是一类重要的回归模型,这类回归模型是在线性回归模型的基础上加上了非线性回归模型部分。因此,半参数回归模型不仅拥有线性回归模型的可解释性,同时还具备非线性回归模型的稳健性。变系数模型和部分线性变系数模型就是一类重要的半参数回归模型,此类回归模型在经济、金融、气象、工业、农业等领域有着广泛的应用。我们在建立回归模型时,检验回归模型的残差是否具有相同的方差是一项必不可少的工作。如果所建立的回归模型存在异方差,那么模型将不能进行有效的预测预报。本文研究的是基于经验似然的响应变量随机缺失的部分线性变系数模型的异方差检验。本人的工作,首先研究了响应变量缺失下的变系数模型和部分线性变系数模型的缺失数据补全。对于响应变量缺失的变系数模型,我们选取不存在响应变量缺失的数据,采用局部线性回归方法对变系数模型中未知函数进行估计,将估计的函数带入变系数模型中,利用回归借补的方法补全缺失的响应变量。对于响应变量缺失的部分线性变系数模型,我们选取不存在响应变量缺失的数据,采用profile最小二乘法对部分线性变系数模型中的未知参数及未知函数进行估计,将估计的参数和函数带入部分线性变系数模型中,同样利用回归借补方法补全缺失的响应变量。接着,我们对补全的数据重新进行未知参数或未知函数的估计,引入经验似然分别对变系数模型及部分线性变系数模型进行异方差检验。然后利用数值模拟对本文所提出的方法进行模拟检验,模拟结果显示零假设下,当不存在缺失时,样本量越大size越趋近于显著性水平;当样本量一定时,缺失率越小size越趋近于显著性水平。最后给出基于经验似然的响应变量缺失下部分线性变系数模型异方差检验的证明。