随着社会经济的快速发展,许多领域如医学、教育、生物等需要利用回归分析对多指标数据进行建模预测。如果所建立的多元线性回归模型中存在异方差,但是没有采取恰当的方法进行解决,就会造成模型中系数的估计和显著性检验出错,导致模型最终预测失效。因此,判断多元线性回归模型中是否具有异方差十分重要。不少学者提出了许多传统的异方差检验方法,例如:BP检验法,图示检验法,帕克检验法,格莱泽检验法,怀特检验法,斯皮尔曼等级相关系数检验法等等。但是随着自变量数量的增加,原有的一些异方差检验方法不再适用。因此对于传统异方差检验方法进行改进,使其能够应用到多元线性回归模型中非常关键。本文基于传统的Park检验法和Glejser检验法的不足进行改进,得到两种改进后的检验方法,利用数值模拟和实证分析证明了两种方法的可行性。首先,提出了一种基于样本拟合值改进的Park检验法。传统的Park检验在面对多个解释变量进行异方差检测时,出现过程繁琐、计算量大等问题。基于此,本文提出根据最小二乘估计的样本拟合值作为新的解释变量,重新构造方差结构回归模型。利用R统计软件进行数值模拟和实证分析,将改进的方法与主成分改进的方法进行对比,研究结果表明该检验方法过程简便快捷,优于用主成分改进的检验方法。其次,提出了一种基于复相关系数法改进的Glejser检验法。传统的Glejser检验法面对多元线性回归模型时,需要根据不同的幂次构造多个方差结构回归模型,过程繁琐,忽视了各解释变量之间的相关关系。基于此,本文提出使用复相关系数法将多个解释变量综合成为一个新变量,利用新变量建立方差结构回归模型。该检验方法简化了建模步骤,降低了各解释变量之间的相关性。将改进的方法与传统的Glejser检验法进行对比,模拟数据和实证分析表明该检验方法较好。最后,在解释变量分别服从三种不同分布的情况下,通过随机模拟试验,从适用性的角度对改进的Park检验法与改进的Glejser检验法进行比较。由研究结果可知:当解释变量服从正态分布和均匀分布时,改进的Park检验效果较好,优先选择改进的Park检验;当解释变量服从指数分布时,两种改进的方法效果相当,选择其一;当解释变量为三种分布的组合时,改进的Glejser检验效果略微优于改进的Park检验,优先选择改进的Glejser检验。