序列相關性和異方差性區別:異方差性：對於不同的解釋向量，被解釋變數的隨機誤差項的方差不再是常數，而互不相同，則認為出現了異方差性。 序列相關性：如果對於不同的解釋向量，隨機誤差項之間不再是不相關的，而是存在某種相關性，則認為出現了序列相關性。序列相關性:在計量經濟學中指對於不同的樣本值，隨機干擾之間不再是完全相互獨立的，而是存在某種相關性。又稱自相關(autocorrelation)，是指總體迴歸模型的隨機誤差項之間存在相關關係。在迴歸模型的古典假定中是假設隨機誤差項是無自相關的，即在不同觀測點之間是不相關的。如果該假定不能滿足，就稱與存在自相關，即不同觀測點上的誤差項彼此相關。自相關的程度可用自相關係數去表示，根據自相關係數的符號可以判斷自相關的狀態，如果0，則ut與ut-1為正關;如果= 0，則ut與ut-1不相關。異方差性:是為了保證迴歸引數估計量具有良好的統計性質，經典線性迴歸模型的一個重要假定是：總體迴歸函式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，則稱線性迴歸模型存在異方差性。若線性迴歸模型存在異方差性，則用傳統的最小二乘法估計模型，得到的引數估計量不是有效估計量，甚至也不是漸近有效的估計量；此時也無法對模型引數的進行有關顯著性檢驗。對存在異方差性的模型可以採用加權最小二乘法進行估計。異方差性的檢測——White test在此檢測中，原假設為：迴歸方程的隨機誤差滿足同方差性。對立假設為：迴歸方程的隨機誤差滿足異方差性。判斷原則為：如果nR^2>chi^2 (k-1），則原假設就要被否定，即迴歸方程滿足異方差性。在以上的判斷式中，n代表樣本數量，k代表引數數量，k-1代表自由度。chi^2值可由查表所得。

異方差性：對於不同的解釋向量，被解釋變數的隨機誤差項的方差不再是常數，而互不相同，則認為出現了異方差性。 　　

序列相關性：如果對於不同的解釋向量，隨機誤差項之間不再是不相關的，而是存在某種相關性，則認為出現了序列相關性。 　　

對比OLS迴歸的假設就明白啦：異方差因為違反了殘差序列同方差的假定 ，序列自相關違反了殘差序列獨立不相關的假定