不需要修正。但你一定要說明前提，不存在異方差。異方差性（heteroscedasticity ）是相對于同方差而言的。所謂同方差，是為了保證回歸參數估計量具有良好的統計性質，經典線性回歸模型的一個重要假定：總體回歸函數中的隨機誤差項滿足同方差性，即它們都有相同的方差。如果這一假定不滿足，即：隨機誤差項具有不同的方差，則稱線性回歸模型存在異方差性。拓展資料：一，以一道題為例問：用EVIEWS進行懷特檢驗，得出數據：White Heteroskedasticity Test:F-statistic 2.425769 Probability 0.087784Obs*R-squared 9.283873 Probability 0.098263Probability=0.098263，0.087784>0.015是否可以說明，原模型的兩個解釋變量X1 X2與被解釋變量Y之間不存在異方差性？這一步是否可以跳過，直接進行下一步的序列相關性檢驗？還是必須要用加權最小二乘估計WLS進行修正？答：P是0.087784，即拒絕原假設犯錯的概率是8.78%。懷特檢驗的原假設是假設不存在異方差，那么P=0.087784的意思就是：承認原模型存在異方差，犯錯的概率是8.78%。因此，如果你想跳過加權過程直接進行序列相關檢驗，一定要說名前提，即“在1%（或5%）的置信區間內不存在異方差”。置信區間取至10%的時候就仍要做加權。二，異方差性的來源1．模型中缺少某些解釋變量，從而隨機擾動項產生系統模式由于隨機擾動項ui包含了所有無法用解釋變量表示的各種因素對被解釋變量的影響，即模型中略去的經濟變量對被解釋變量的影響。如果其中被略去的某一因素或某些因素隨著解釋變量觀測值的不同而對被解釋變量產生不同的影響，就會使ui產生異方差性。異方差性容易出現在截面數據中，這是因為在截面數據中通常涉及某一確定時點上的總體單位。比如個別的消費者及其家庭、不同行業或者農村、城鎮等區域的劃分，這些單位各自有不同的規模或水平，一般情況下用截面數據作樣本時出現異方差性的可能性較大。2．測量誤差測量誤差對異方差性的作用主要表現在兩個方面：一方面，測量誤差常常在一定時間內逐漸積累，誤差趨于增加，如解釋變量X越大，測量誤差就會趨于增大；另一方面，測量誤差可能隨時間變化而變化，如抽樣技術或收集資料方法的改進就會使測量誤差減少。所以測量誤差引起的異方差性一般都存在于時間序列中。不僅在時間序列上容易出現異方差性，利用平均數作為樣本數據也容易出現異方差性。因為許多經濟變量之間的關系都服從正態分布，例如不同收入組的人數隨收入的增加是正態分布，即收入較高和較低的人是少數的，大部分人的收入居于較高和較低之間，在以不同收入組的人均數據作為樣本時，由于每組中的人數不同，觀測誤差也不同，一般來說，人數多的收入組的人均數據較人數少的收入組的人均數據具有較高的準確性，即Var(ui）隨收入Ii呈現先降后升的趨勢，這也存在著異方差性。3．模型函數形式設置不正確模型函數形式的設定誤差。如將指數曲線模型誤設成了線性模型，則誤差有增大的趨勢。4．異常值的出現隨機因素的影響，如政策變動、自然災害、金融危機、戰爭和季節等。三，類型異方差一般可歸結為三種類型：(1)單調遞增型：隨X的增大而增大，即在X與Y的散點圖中，表現為隨著X值的增大Y值的波動越來越大。(2)單調遞減型：隨X的增大而減小，即在X與Y的散點圖中，表現為隨著X值的增大Y值的波動越來越小。(3)復雜型：與X的變化呈復雜形式，即在X與Y的散點圖中，表現為隨著X值的增大Y值的波動復雜多變沒有系統關系。