在统计学和计量经济学中，怀特检验（White's Test）是一种用于检测回归模型中异方差性的方法。异方差性是指误差项的方差不是常数，这在回归分析中是一个重要的假设问题。如果模型存在异方差性，可能会导致参数估计的标准误不准确，从而影响假设检验的结果。

怀特检验的基本思想是通过构建一个辅助回归模型来捕捉潜在的异方差模式。具体来说，怀特检验首先计算残差平方与所有自变量及其平方项和交叉项的回归。然后，基于辅助回归的R²值，利用卡方分布来判断原模型是否存在异方差性。

以下是怀特检验的具体步骤：

1. 建立基本回归模型：首先，我们使用普通最小二乘法（OLS）对数据进行回归，得到残差项e_i。

2. 构建辅助回归模型：将残差平方e_i²作为因变量，原来的自变量X_j、自变量的平方X_j²以及自变量之间的交叉项X_jX_k作为解释变量，建立一个新的回归模型。这里的j和k表示不同的自变量索引。

3. 计算辅助回归的R²值：通过上述辅助回归模型，计算出R²值，该值反映了残差平方能够被自变量及其交互项解释的比例。

4. 构造统计量并进行检验：根据辅助回归的R²值，我们可以构造一个统计量nR²，其中n是样本数量。这个统计量服从卡方分布，其自由度等于辅助回归中解释变量的数量。最后，通过比较计算得到的统计量与卡方分布表中的临界值，来决定是否拒绝原假设（即模型不存在异方差性）。

怀特检验的一个优点在于它不需要事先假设异方差的具体形式，因此具有较高的灵活性。然而，由于需要考虑所有的自变量及其交互项，当自变量较多时，辅助回归可能变得复杂且容易过拟合。

总之，怀特检验提供了一种有效的方法来检测回归模型中的异方差性问题。对于希望确保回归结果可靠性的研究人员而言，这一工具是非常有价值的。