Nilai dan Varians yang Diharapkan dari Estimator OLS

β^ 0 dan β^ 1 sebagai penduga untuk parameter β 0 dan β 1 yang muncul dalam model populasi
Ini berarti kita akan mempelajari properti dari distribusi β^ 0 dan β^ 1 di atas sampel acak yang
berbeda dari populasi

A. Ketidaksesuaian OLS
menetapkan OLS yang tidak berpihak di bawah serangkaian asumsi sederhana. Untuk referensi di masa
mendatang, berguna terhadap pemberian nomor pada asumsi ini menggunakan awalan "SLR" untuk
regresi linier sederhana.
Asumsi pertama mendefinisikan mode populasi.

Asumsi SLR.1 (Linear dalam Parameter)

Dalam model populasi, variabel dependen, y, dikaitkan dengan variabel independen, x, dan
kesalahan (atau gangguan), u, sebagai

y = β0 +¿β ¿x + u
1

dimana B0 dan B1 masing-masing adalah parameter intersep dan kemiringan populasi.

Agar realistis, y, x, dan u semuanya dipandang sebagai variabel acak dalam menyatakan model
populasi.

Asumsi SLR.2 (Pengambilan Sampel Acak)

Kami memiliki sampel acak dengan ukuran n, {(xi yi)} : i = 1.2.3……n} , mengikuti model
populasi asumsi SLR.1 Tidak semua sampel penampang dapat dipandang sebagai hasil sampel
acak, tetapi banyak yang bisa, Kita dapat menulis (y = β0 +¿β ¿x + u) dalam istilah sampel acak
1

sebagai,

y = β0 +¿ β ¿xi + ui , i = 1,2,…..,n
1

dimana ui adalah kesalahan atau gangguan untuk observasi i (misalnya orang i, perusahaan i,
kota i, dan seterusny) Jadi, ui berisi yang tidak dapat diobservasi
Asumsi SLR.3 (Variasi Sampel dalam Variabel Penjelasan)

Hasil sampel pada x yaitu {xi, I = 1,….., n}

tidak semuanya memiliki nilai yang sama.

Ini adalah asumsi yang sangat lemah — tentu saja tidak layak untuk ditekankan, namun tetap
diperlukan. Hasil sampel dari x, yaitu, tidak semua nilainya sama. Jika x beragam dalam
populasi, sampel random x akan beragam juga kecuali jika variasi dari populasi sedikit atau
ukuran sampelnya kecil.

Asumsi SLR. 4. (nol rata rata bersyarat)

Kesalahan u memiliki nilai yang diharapkan dari nol

mengingat nilai variabel penjelas. Dengan kata lain
E (u|x) =0.

Untuk sampel acak, asumsi ini menyatakan bahwa E (u|x) = 0., untuk semua i = 1, 2, c, n

Variasi dari estimator OLS

ternyata varians dari estimator OLS dapat dihitung berdasarkan Asumsi SLR.1 melalui SLR.4.
Namun, agak rumit. Sebagai gantinya, kami menambahkan asumsi yang tradisional untuk
analisis cross-sectional. Asumsi ini menyatakan bahwa variansyang tidak dapat diobservasi, u,
bersyarat pada x, adalah konstan. Ini dikenal sebagai asumsi homoskedastisitas atau "varian
konstan"

Asumsi SLR. 5 Homoskedasticity

Kesalahan u memiliki varian yang sama dengan nilai

variabel penjelas apa pun. Dengan kata lain
Var(u|x) = σ 2
homoskedastisitas sangat berbeda dari asumsi rata-rata bersyarat nol E (u|x) =0.. Asumsi SLR.4
melibatkan nilai yang diharapkan dari u, sedangkan
Asumsi SLR.5 menyangkut varians dari u (keduanya bergantung pada x).