两种办法：1.用加权最小二乘法估计参数；2.模型的自变量中除了ar和ma项以外，还有重要的但没被提炼出来的解释变量

-- FYI
假设线性回归模型
中，扰动项 ε 的分量
是均值为零，彼此独立的，但
不全相等，在这种情况下。OLS 估计虽然具有无偏性和一致性，却不是最优线性无偏估计。因此在预测时
波动较大。为此，在应用 OLS 方法之前要对模型的异方差性进行检验，并设法消除异方差性。 [1]
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nR2>chi2 (k)，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，自由度为k（解释变量的个数）。chi2（卡方统计）值可查表所得。

当你有ma项，就不能进行White检定，ˋ此时检定异方差，请用ARCH检定。