首先你得明确多元线性回归的一般模型是Yi=β0+β1X1i+β2X2i+…+βkXki+μi i=1,2,…,n
其中 k为解释变量的数目，βj（j=1,2,…,k)称为回归系数（regression coefficient)，ui为随机误差。上式也被称为总体回归函数的随机表达式。
其次经典回归模型的基本假定有：
假定1 零均值假定
假定2 同方差假定(解释变量的方差为同一常数)：
假定3 无自相关性：
假定4 随机误差项与解释变量不相关(这个假定自动成立)：
假定5 随机误差项服从均值为零，方差为的正态分布：
假定6 解释变量之间不存在多重共线性：
得出E（βj）=βj E(βjxj)=βjxj E(ui)=0
最后得出期望追问
其中 k为解释变量的数目，βj（j=1,2,…,k)称为回归系数（regression coefficient)，ui为随机误差。上式也被称为总体回归函数的随机表达式。
其次经典回归模型的基本假定有：
假定1 零均值假定
假定2 同方差假定(解释变量的方差为同一常数)：
假定3 无自相关性：
假定4 随机误差项与解释变量不相关(这个假定自动成立)：
假定5 随机误差项服从均值为零，方差为的正态分布：
假定6 解释变量之间不存在多重共线性：
得出E（βj）=βj E(βjxj)=βjxj E(ui)=0
最后得出期望追问
可不可以理解为: （实际观测值Yi） - （Yi期望值E(Yi l X2i, X3i....,Xki)）=（ui随机误差） ？
追答可以那样理解，我们的理想追求是ui随机误差的期望值为0，也就是实际观测值Yi与期望观测值之间的误差几乎为0
温馨提示：答案为网友推荐，仅供参考
相似回答