Algumas das possíveis causas da heterocedasticidade são a presença de dados discrepantes e erros de especificação do modelo de regressão.

Na presença de multicolinearidade perfeita, a estimação é possível, porém, os erro-padrão tendem a ser grandes, o que impede a estimação dos valores populacionais dos coeficientes.

Embora na presença de autocorrelação os estimadores de Mínimos Quadrados Ordinários (MQO) continuem sendo não tendenciosos, eficientes e com distribuição normal assintótica, eles deixam de ser consistentes.

Mesmo na presença de heterocedasticidade, o método MQO ainda é o mais adequado para estimação dos coeficientes da regressão.

É essencial, nos modelos de regressão linear estimados por MQO, que o termo de erro siga uma distribuição normal; caso contrário, os estimadores de MQO deixarão de ser os melhores estimadores lineares não tendenciosos.