本文基于Juhl和Xiao(2013)的检验矩条件稳定性的U-统计量，提出一种更加一般化的诊断回归模型残差方差稳定性的新方法，该方法能同时适用于具有时变回归参数的情形，不仅可以诊断单个或多个结构性断点，而且还能诊断平滑的结构性转换。我们给出了新统计量在原假设下的渐近分布性质，而且还考察了其在对立假设下的检验功效(Power)。其中DGPPl-4依次为单个断点、两个断点、四个断点以及呈现对称的“U”形平滑转换。　　根据Monte Carlo的结果可以发现，我们这里采用标准正态的临界值作为标准，随机模拟2000次，分别考虑了六种情形下的表现情况，同时考虑到带宽和自回归参数的影响。我们可以发现在样本量为100的情况下，size的表现情况都不太理想，数值上较小，但随着样本数量的增加，size表现逐渐好转，其中情形1、情形3以及情形6在样本数量达到300时，size的表现情况最好。而对于存在单个结构性变化，和多个结构性变化的情形，在样本数量200时，普遍表现较好。但当样本数量进一步扩大时，size的结果个别存在偏大的情形。对于参数变化的影响可以发现，当我们提高带宽时，size的结果普遍会有所减小，同样可以发现，当我们提高自回归系数γ时，size的结果也有所减少。我们也对U统计量的power表现情况进行了Monte Carlo模拟分析。这里我们考虑了四种数据生成过程，分别是残差的方差存在单个结构性断点，两个结构性断点、四个结构性断定以及平滑式结构性变化。这里我们要考察在存在不同形式的结构性变化的情况下，统计量的power表现情况。同样的，在每种数据生成过程中，考虑了回归参数存在时变特征的情形，即上文所介绍的六种情形。同时考虑到参数和带宽的变化对power的影响。我们可以发现，当样本数量增加时，各种数据生成过程下和各种情形下的power逐渐增大，随着带宽的增加power会随之减少。当自回归系数γ变大时，power随之增大。通过Monte Carlo模拟可以发现，统计量在各种情形下的size表现情况有所不同，但当样本数量和带宽选择比较合适时，在原假设成立下会有一个表现良好的size。同样的，考虑四种数据生成过程的情况下，统计量的power表现良好，说明该统计量可以适用于不同形式下的结构性变化。回归模型中参数的不同时变特征也会对power的影响不同。　　最后通过实证分析，验证该统计量的有效性。通过采用全球各国主要的12个股指作为样本，采用变异系数AR(1)回归，首先对其参数是否时变进行检验。采用三种不一样的检验统计量进行检验(CUSUM、Chow、BSADF)。综合三种检验统计量的结果，我们可以得到回归参数具有时变特征，因此对其一阶矩构造一个变系数AR(1)回归模型。之后考虑到其二阶矩是否是时变的，构造基于变系数AR(1)下的GARCH和GJR-GARCH模型。通过两种GARCH模型的估计可以发现残差具有时变性质。最后采用本文提出的U统计量验证了时变方差的存在。通过将U统计量应用到实际股指当中，并验证其有效性。我们发现该统计量不仅在统计上有良好的size和power，在实证检验中也具有良好的表现。同时基于不同股指的回归分析，由于参数时变的影响，采用传统的固定参数的一阶矩和二阶矩模型不足以完全反应数据的特征。