经典的线性回归模型的重要假设之一就是随机误差项具有同方差性,但是在大多数情况下,模型中的随机误差项的方差是不完全相等的,即这种假定不一定成立。当模型中存在异方差性时,若仍对参数采用普通最小二乘法进行估计,将会产生参数估计量不具有有效性、变量的显著性检验无意义、模型的预测失效等不良后果。因此,选取适当的异方差检验方法是极其重要的。本文以传统的异方差检验方法为基础,针对现有异方差检验方法中存在的不足进行探索和研究,给出了两种改进的异方差检验方法,并通过模拟数据和实证分析验证了改进后的异方差检验方法的效果。首先,提出了改进的White检验方法。在有较多解释变量的多元线性回归模型的异方差检验中,基于传统的White检验构造的辅助回归模型的待估参数较多而造成了模型自由度的损失,导致辅助回归模型的估计精度降低这一问题,提出使用复相关系数法对解释变量赋权,将得到的综合指标建立新的辅助回归模型用于异方差检验。模拟数据和实例论证表明该检验方法优于传统方法。其次,提出了改进的Park检验方法。围绕传统的Park方法展开研究,针对该方法在对多元线性回归模型进行异方差检验时工作量大、计算繁琐、异方差模型不够准确这一系列问题,提出运用主成分的思想,将得到的所有综合指标利用独立同分布的随机变量的分布函数原理建立异方差模型,并对不同形式的数据条件进行研究,根据系数的显著性检验,给出了一种新的异方差检验方法。模拟数据和实例论证表明该检验方法更为快捷准确。最后,在三种不同的异方差形式下,通过随机模拟试验比较改进的White检验方法与改进的Park检验方法的适用性。其结果表明:在满足一定条件下,若研究中只需检验出模型中是否存在异方差性,可选用改进的White检验方法;若研究中不仅需要检验出模型中是否存在异方差性,而且需要异方差具体的表达式时,可选用改进的Park检验方法。