Tổng bình phương tổng thể (Total Sum of Square) thể hiện

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.

Chỉ tới bậc 1.

Chỉ tới bậc 2

Chỉ tới bậc 3 

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.

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.

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

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.

11

10

5

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

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

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

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

41

34

38

U_i có kỳ vọng bằng 0 và phương sai thay đổi.

U_i có kỳ vọng là hằng số và phương sai thay đổi.

U_i có kỳ vọng là hằng số và phương sai không đổi.

Giả định rằng các phần dư được tạo ra từ phân phối chuẩn

Tính toán giá trị p-value để đánh giá tính có ý nghĩa của kết quả

Cung cấp một thước đo về mức độ phù hợp của mô hình

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

$Y_1={\beta }_1+{\beta }_2{X}_{2i}+u_i$

$Y_i=\widehat{{\beta }_1}+\widehat{{\beta }_2}{X}_{2i}+\widehat{{\beta }_3}{X}_{3i}+...+\widehat{{\beta }_k}{X}_{ki}+e_i$

$E\left(Y\right|X_{2i}, X_{3i},..., X_{ki})=\stackrel{}{{\beta }_1}+\stackrel{}{{\beta }_2}{X}_{2i}+\stackrel{}{{\beta }_3}{X}_{3i}+...+\stackrel{}{{\beta }_k}{X}_{ki}$

$var\left(u_i\right|X_{2i}, X_{3i}. ..., X_{ki})={\delta }_i^2$

$cov(u_i, u_j)=E(u_i x u_j)=0$

$E\left(u_i\right|X_{2i}, X_{3i}, ..., X_{ki})=0$