变量错误：

在普通的最小二乘模型中，我们假设样品观测值是准确测量的。我们所有的公式都是基于这样的假设，即变量（解释和解释性）均无误地测量。我们模型承认的唯一错误形式是干扰项的形式。这里的误差项表示尚未准确包含在模型中的variphs解释变量的影响。但是，该假设可能不是现实的，尤其是在辅助数据的情况下。

依赖性和独立的变量被测量，如误差。特别是，如代理变量而言，可用数据可能不会指定的变量，或者在数据集合或发布数据中可能存在系统的偏见。通常，如果测量误差是系统的，则可以指定辅助方程以捕获这些错误。该单元仅专注于随机测量误差对回归模型的影响。

在普通的最小二乘模型中，我们假设样品观测值是没有误差的情况下测量的，这始终是不正确的。当该假设不存在时，OLS估计器是偏见，并且不一致。错误可能会出现在因变量，独立vhable或两者的测量中。当因变量存在错误时，这不会破坏OLS估计器的无偏性特性，但是估计方差大于没有这种测量错误的情况。