Во введении обозначается предмет изучения — модель множественной регрессии и матричная форма метода наименьших квадратов. Объясняется, почему одновременный учёт нескольких факторов требует точной записи модели, формулируются исследовательская цель и задачи, а также указывается, что свойства оценок зависят от предположений о данных и ошибках.

В этом разделе вводятся зависимая переменная, факторы, коэффициенты и случайная ошибка, а скалярная запись модели связывается с векторно-матричной формой y = Xβ + ε. Поясняется, как строки матрицы X соответствуют наблюдениям, почему может потребоваться столбец единиц и что означает интерпретация коэффициента при фиксированных остальных факторах.

Раздел показывает, как разность наблюдаемых и предсказанных значений выражается вектором остатков e = y − Xβ. Сумма квадратов остатков записывается как eᵀe, после чего поясняются размерности участвующих векторов и матриц. Такая запись помогает перейти от большого набора отдельных уравнений к компактной общей задаче оптимизации.

Здесь минимизируется функция (y − Xβ)ᵀ(y − Xβ), выводятся нормальные уравнения XᵀXβ̂ = Xᵀy и при полном столбцовом ранге X получается формула β̂ = (XᵀX)⁻¹Xᵀy. Отдельно объясняется, почему при линейной зависимости столбцов регрессоров единственное решение в таком виде получить нельзя.

В разделе перечисляются и поясняются условия, используемые при изучении свойств МНК: корректная линейная спецификация, отсутствие точной мультиколлинеарности, нулевое условное среднее ошибок, а для теоремы Гаусса — Маркова также отсутствие корреляции и постоянство дисперсии. Подчёркивается, что разные выводы требуют разных условий.

Этот пункт раскрывает два свойства, которые не следует смешивать. Несмещённость означает совпадение математического ожидания оценки с истинным параметром при заданных условиях, тогда как состоятельность описывает сходимость оценки к параметру при росте объёма данных. Приводятся роль экзогенности и смысл предельного результата.

В разделе объясняется, что классическая эффективность МНК относится к минимальной дисперсии в классе линейных несмещённых оценок. Формулируется содержание теоремы Гаусса — Маркова и рассматривается значение предположений о дисперсии и корреляции ошибок. Также отмечается, что нормальность ошибок не является необходимой для самой теоремы.

Практическая часть предлагает выбрать небольшой набор наблюдений с числовым результатом и несколькими факторами, составить векторы y и матрицу X, затем вычислить коэффициенты по формуле МНК. После расчёта проверяются размерности и остатки, а коэффициенты интерпретируются с оговоркой о масштабе факторов, качестве данных и выполнении предположений.

В заключении кратко связываются матричная формула МНК и свойства получаемых оценок. Подводится итог практического примера, отмечается, какие предположения обеспечивают несмещённость, состоятельность и эффективность, а также указываются ограничения интерпретации: наличие мультиколлинеарности, неодинаковой дисперсии ошибок и возможной ошибки спецификации.

В список включаются проверяемые учебники и учебные материалы по линейной алгебре, математической статистике и эконометрике, в которых рассматриваются линейная регрессия, метод наименьших квадратов и теорема Гаусса — Маркова. Для интернет-источников указываются автор или организация, название материала, адрес страницы и дата обращения.