谢谢楼上各位的分析，楼主我知道这两个问题会导致OLS估计量不是最优的，要用其他方法来估计。

我现在就是想知道这个方差到底是高估了，还是低估了。
各个教材上写的不太统一，总不能都不给讲清楚吧？

是这样。不过不是我想解决的问题啊。

我记得我们学的是出现异方差的可用WLS解决，而WLS计算出的拟合优度都是小于OLS的拟合优度，所以感觉应该是低估了参数的值，低估了变量对回归方程的作用。

是常被低估，我有证明过程

不是一定低估

当存在异方差和序列相关时，如果仍然采用OLS，这时的参数估计量的结果是无偏的，也就是说估计出来的系数是没有问题的。有问题的是这些参数估计量的方差可能会比真实值大，也可能会比真实值小。对于异方差来说，要看具体情况来判定大小。对于序列相关来说，真实估计量的方差要比用OLS估计所得到的方差大，所以可以说OLS估计量的方差缩小了真实方差（这个地方有点记不清了）。
无论是异方差还是序列相关，OLS的结果都是参数估计量没问题，但是他们的标准差有问题。因此一切基于参数估计量标准差的运算如各类检验、预测等都会出问题。
解决办法有两个，一个是改变估计方法，如广义最小二乘法。另一个是不改变估计方法，OLS估计的结果中参数估计值仍然使用，但是不再使用OLS给出的标准差，而是重新进行估计，这就是所谓稳健标准误。

用OLS方法估计出的参数不在具有方差最小性， 即方差被低估， 例如算出来方差是0.01， 实际上确实0.02. 那么Se(B）被低估， 导致t统计量被高估夸大，更容易通过t检验。

如果忽略了异方差或自相关，仍采用OLS估计，计算β估计量的方差时仍采用满足经典假设下的计算形式进行计算（计算得到的），显然是要比考虑了异方差或自相关影响下计算得出的方差（真实的）要小。前者相比后者，得出了“异方差和自相关低估了参数估计量方差”的结论；反之，则得出“异方差和自相关高估了参数估计量方差”的结论。

如果忽略了异方差或自相关，仍采用OLS估计，计算β估计量的方差时仍采用满足经典假设下的计算形式进行计算（计算得到的），显然是要比考虑了异方差或自相关影响下计算得出的方差（真实的）要小。前者相比后者，得出了“异方差和自相关低估了参数估计量方差”的结论；反之，则得出“异方差和自相关高估了参数估计量方差”的结论。