רגרסיה ליניארית – הבדלי גרסאות

תכונות אלו יחדיו, מבטיחות כי הגדלת גודל המדגם עליו מבוססת משוואת האמידה, תקרב אותנו לפרמטרים האמיתיים של האוכלוסיה, דהיינו, אל <math>\beta</math>

 

* '''תוחלת 0 של ההפרעה המקרית-''' לכל <math>\varepsilon_i</math>, נדרוש שיתקיים: <math>E(\varepsilon_i)=0</math>

* '''הומוסקדסטיסיות (הנחת השונות הקבועה)-''' לכל <math>\varepsilon_i</math>, נדרוש שיתקיים: <math>V(\varepsilon_i)=\sigma^2</math>, הווה אומר- עבור זוג וקטורים: <math>(x_1,\dots,x_k)\neq (x'_1,\dots,x'_k)</math>, שונות ההפרעה המקרית קבועה, וזהה.

* <math>\bold{X_j}</math> '''אינו משתנה מקרי-''' מהנחה זו משתמע כי אין מתאם בין השונות המקרית למשתנה המסביר, כלומר: <math>Cov(x_{j_i},\varepsilon_i)=0</math>

* '''איסור מולטיקולינאריות מושלמת-''' לכל משתנה מסביר <math>\bold{X_j}</math>, נניח כי: <math>V(\bold{X_j})\neq 0</math>.

 

== דוגמאות ==