Cho a là hằng số, và X là biến số. Như vậy, var(aX) bằng

là trường hợp đặc biệt của OLS.

luôn giải quyết được vấn đề phương sai sai số thay đổi của mô hình hồi quy.

là phương pháp bình phương tối thiểu có trọng số.

Chỉ tới bậc 1.

Chỉ tới bậc 2

Chỉ tới bậc 3 

có ảnh hưởng đến biến phụ thuộc nhưng không được đưa vào hàm hồi quy

ảnh hưởng đến biến phụ thuộc và được đưa vào hàm hồi quy

ảnh hưởng đến biến độc lập

nên được loại trừ vì hàm hồi quy tổng thể không đi qua gốc tọa độ

sẽ có ý nghĩa về mặt thống kê nếu lớn hơn 1.96

nên được loại trừ nếu có một biến giải thích nhận giá trị âm

11

10

5

Đa cộng tuyến không hoàn hảo không vi phạm giả định của mô hình hồi quy tuyến tính cổ điển.

Đa cộng tuyến hoàn hảo xảy ra khi hệ số tương quan giữa các biến độc lập trong mô hình bằng 1 hoặc -1.

Đa cộng tuyến không hoàn hảo xảy ra khi phần lớn sự biến động (không phải 100%) của một biến độc lập ở trong mô hình có thể được giải thích thông qua các biến độc lập khác trong mô hình.

mô hình chỉ phi tuyến tính trong các tham số.

mô hình phi tuyến tính trong các tham số nhưng tuyến tính trong biến số.

mô hình chỉ tuyến tính trong các biến số.

$\widehat{{\beta }_j}$ có kỳ vọng bằng 0 và phương sai là hằng số

$\widehat{{\beta }_j}$ có kỳ vọng bằng 0 và phương sai là $var\left(\widehat{{\beta }_j}\right)$

$\widehat{{\beta }_j}$ có kỳ vọng bằng b và phương sai là hằng số

Ước lượng, dự báo giá trị trung bình của các biến độc lập

Ước lượng mối quan hệ tất định giữa các biến số.

Dự báo mối quan hệ giữa các biến số

phương sai của sai số ngẫu nhiên thay đổi.

phương sai có điều kiện của sai số ngẫu nhiên thay đổi.

phương sai của sai số ngẫu nhiên không đổi.

tổng bình phương các phần dư $\sum _{i=1}^n{(Y_1-\stackrel{⏜}{B_0}-\stackrel{⏜}{B_1}{X}_{1i}-...-\stackrel{⏜}{B_k}{X}_{ki}-e_i)}^2$

tổng bình phương các phần dư $\sum _{i=1}^n{(Y_1-\stackrel{⏜}{B_0}-\stackrel{⏜}{B_1}{X}_1)}^2$

tổng bình phương các phần dư $\sum _{i=1}^n|Y_1-\stackrel{⏜}{B_0}-\stackrel{⏜}{B_1}{X}_{1i}-...-\stackrel{⏜}{B_k}{X}_{ki}|$

41

34

38

$Y_i={\beta }_1+{\beta }_2^2{X}_i+u_i$

$Y_i=\ln \left({\beta }_1\right)+{\beta }_2{X}_1+u_i$

$Y_i=exp({\beta }_1+{\beta }_2{X}_1+u_i)$

trong toán học, bài toán có các biến số ở dạng bậc 1 khó tìm cực trị hơn

các biến số độc lập quan trọng được thể hiện rõ ảnh hưởng hơn

trong toán học, bài toán có các biến số ở dạng bình phương dễ tìm cực trị hơn

Khi biến phụ thuộc có tương quan cao với sai số ngẫu nhiên.

Khi biến phụ thuộc có tương quan cao với biến độc lập.

Khi biến độc lập có tương quan cao với sai số ngẫu nhiên.