异方差性（heteroscedasticity ）是相对于同方差而言的。所谓同方差，是为了保证回归参数估计量具有良好的统计性质，经典线性回归模型的一个重要假定：总体回归函数中的随机误差项满足同方差性，即它们都有相同的方差。
如果这一假定不满足，即：随机误差项具有不同的方差，则称线性回归模型存在异方差性。
若线性回归模型存在异方差性，则用传统的最小二乘法估计模型，得到的参数估计量不是有效估计量，甚至也不是渐近有效的估计量；此时也无法对模型参数的进行有关显著性检验。
对存在异方差性的模型可以采用加权最小二乘法进行估计。异方差性的检测——White test在此检测中，原假设为：回归方程的随机误差满足同方差性。对立假设为：回归方程的随机误差满足异方差性。判断原则为：如果nR^2>chi^2 (k-1），则原假设就要被否定，即回归方程满足异方差性。在以上的判断式中，n代表样本数量，k代表参数数量，k-1代表自由度。chi^2值可由查表所得。
2含义编辑回归模型的随机扰动项ui在不同的观测值中的方差不等于一个常数，Var(ui)= 常数（i=1，2，…，n），或者Var（u ） Var（u ）（i j），这时我们就称随机扰动项ui具有异方差性（Heteroskedasticity）。
在实际经济问题中，随机扰动项ui往往是异方差的，但主要在截面数据分析中出现。
例如（1）调查不同规模公司的利润，发现大公司的利润波动幅度比小公司的利润波动幅度大；
（2）分析家庭支出时发现高收入家庭支出变化比低收入家庭支出变化大。在分析家庭支出模型时，我们会发现高收入家庭通常比低收入家庭对某些商品支出有更大的方差；图5-1显示了一元线性回归中随机变量的方差ui随着解释变量 的增加而变化的情况。异方差性破坏了古典模型的基本假定，如果我们直接应用最小二乘法估计回归模型，将得不到准确、有效的结果
