加权最小二乘；
这样的修正，你将R大幅提升，说明你的修正是正确的。
当然可以，R代表自变量能用于解释因变量的程度，介于0到1之间，越接近1，当然是模型做得越好。当然，在多变量回归里，因为多重共线性问题，R很大不一定代表模型很好。你的我问题是针对异方差的修正，那么是很好的模型校正了。

我是搞金融建模的。我们习惯了异方差，用GARCH模型建模就可以。很久没用大学时的基本计量模型，都忘记了。

那也就是说可以直接用加权最小二乘法来做了  是吗？那5楼的同胞用的FGLS如果要做应该怎么做呢？ 7# tulipsliu

如果单纯只有 heteroskedacity 用 ARCH family 来估计 unknown form of variances，
再使用 feasible GLS，那么这是业界常用也OK的作法；

但若以残差当权数进行WLS，这没有任何道理；
之前我在三楼的 "理论上" 一词，是尊重李子奈老师的说法，当然如果李子奈老师的书中真如是。

基本上，heteroskedasticity 存在，如五楼 binggol 所说，若非 "遗漏变量" 或 "不正确回归方程设定" 以外，
OLS的参数估计式，基本上是无偏且一致，
唯独参数的 var-cov matrix 估计式是 "invalid"，应为俗称的 sandwich variance matrix，
在这情形下，OLS的参数估计式为 unbiased, consistent but inefficient。

White(1980) 指出，若直接以残差项(residuals) 构成的 var-cov matrix 来估计 偏误项(error terms) 的 var-cov matrix，
这个estimated var-cov matrix 为不一致；但可以辅助来估计 sandwich variance matrix 中间的夹心项，这具有一致性；
而当在某个特殊状况下，OLS 参数的 var-cov matrix 估计式是 "valid"；White heteroskedasticity test 亦基於此。

要 "修正" heteroskedasticity，
在分组资料下，variances 已知，那么可以直接用 WLS；
若未知便需估算再使用 FGLS，这在一般基础教科书都有，不赘述；但如上所诉，那绝不是以残差项直接带入。


@tulipsliu，
在别的帖子里，将 serial autocorrelation 与 autoregressive variables 划上等号；
这边把 R^2 当作修正後的比较标的，别忘记修正後的 regrassand 为 transformed，且R^2为 uncentered。
希望你在你金融建模的职业上，能顺利如意。

9# gemini69 高手，我也求助。
在做多因素模型分析的时候，我先是去了自相关性，然后用white检验发现有异方差。用加权最小二权没有任何效果。应该怎么处理呢？还是应该不用加权最小二乘，而用其他什么办法？
最后，我的多因素模型中有一些变量过不了t检验，我看了协方差矩阵，发现并没有多重共线性，应该怎么处理？