对数线性方差模型提供一种仅通过线性模型对方差建模的方法。请参见 Harvey (1976)、Cook and Weisberg (1983)、Aitken (1987) 和 Carroll and Ruppert (1988)。除了使用回归变量项对响应均值建模之外，在线性模型中还使用回归变量项对方差对数建模：
均值模型： E(y) = Xβ
方差模型：log(方差(y)) = Z λ，
或等价于
方差(y) = exp(Z λ)
其中 X 的列是响应均值的回归变量，Z 的列是响应方差的回归变量。常规线性模型参数用 β 表示，λ 表示方差模型的参数。
使用 REML 估计对数线性方差模型。
离散或对数方差效应可以对响应方差的变化建模。该模型是通过“拟合模型”平台中的一个名为“对数线性方差”的拟合特质来实现。
对散度效应建模并未在教科书中广泛涉及，只有田口方法框架中有所提及。在田口样式的实验中，通过以下方式处理散度效应：在外表的不同设置下进行多次测量，构造新响应来测量这个外表上偏离目标的变异性，然后拟合模型来找到实现最小变异性的因子。这类建模需要一个作为两个设计的完整笛卡儿积专门的设计。本章采用更灵活的基于模型的方法对方差建模。田口建议用于变异性建模的特殊性能统计量为 STD = -log(s)。在 JMP 使用的方法中，对 log(s2) 建模并将它与具有均值的模型合并。这两个方法基本上是等价的，因为 log(s2)=2 log(s)。
通过突出显示并在特性下拉菜单中选择对数方差效应，在“拟合模型”对话框中指定对数线性方差效应。&对数方差显示在效应末尾。使用该特性时，它还将顶部的拟合特质更改为对数线性方差。若您希望一个效应同时用于响应的均值和方差，必须指定它两次，其中使用对数方差选项指定一次。
使用对数方差特性指定的效应成为在模型中生成 Z 的效应，其他效应在模型中成为 X。
每当为均值模型估计另一参数时，至少需要再多一个观测，越多越好。但是，使用方差参数时，每个方差参数需要多几个观测来获得合理的估计值。估计方差所需的数据比估计均值所需的数据多。
对数线性方差模型是拟合散度效应的很灵活的方法，该方法应该引起我们更多的注意，尽管当前文献中涉及的不多。