前面我们讲了关于异方差的检验，当我们检验出回归模型中含有异方差问题时，我们的回归模型就不在具有有效性，方差出现了偏误（这是异方差的根本问题，解决此问题就是对异方差的修正）。因此，我们用两种方法对模型进行修正：

①加权最小二乘法（WLS）：在原模型中加入权重得到一个新模型，对新模型进行回归。

②异方差稳健标准误差法：我们直接求得原模型的样本方差，然后再进行修正。

异方差的修正（代码）

①加权最小二乘法（WLS）

quietly regress Y X1 X2   #对解释变量Y和被解释变量X1 X2做安静回归，即做回归但不显示回归结果
predict e,residuals      #提取回归模型中的残差并命名为e
gen r2 = e^2          #增加新变量残差的平方
gen X12 = X1^2   
gen X22 = X2^2        #增加解释变量X1 X2的平方
regress r2 X12 X22     #得出残差平方和与解释变量X1 X2的回归关系
predict ee,residuals    
gen rr2 = ee^2          #提取回归结果中的残差并进行平方和

#以上代码是对权重的计算，得到权重后，进行回归。
regress Y X1 X2[aw = 1/rr2]

注意：采用此方法须再次检验新模型是否已经不存在异方差，如果还存在异方差，则须再进行异方差处理，直到模型不存在异方差为止。

②异方差稳健标准误差法

关于稳健标准误差，我们在stata中使用robust命令即可对模型进行稳健性估计，具体操作命令如下：

reg Y X,vce(robust)

感兴趣的读者可以将进行稳健标准之后的参数数值与未稳健标准之前的参数数值做对比，去发现两者之间的变化。

补充

因为在加权最小二乘法中估计e^2与解释变量X之间的函数关系并不容易，而在stata当中用一行简单的代码可以直接求出异方差的稳健标准误。因此，稳健标准误差法被广泛应用。

到这里为止，关于异方差的检验和修正都已经推出。前面异方差的检验中讲过，异方差只是基本假定违背中的一种情况。多重共线性、序列相关性同样有违背经典假设，接下来会给大家介绍关于多重共线性的检验和克服方法以及序列相关的判别和修正。