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。