(1) $Y_i = B X + u_i \Rightarrow$

u_i = Y_i - B X \Rightarrow \xi u_i^2 = \xi (Y_i - B x)^2 \Rightarrow \frac{d}{dB} \xi (Y_i - B x)^2 = \frac{d}{dB} \xi Y_i^2 - 2B Y x_i + B^2 x^2 = \xi - 2Y x_i + 2B x^2 = -2\xi Y x_i - B x^2 \Rightarrow 0 \Rightarrow \xi Y x_i = B \xi x_i^2 \Rightarrow B = \frac{\xi Y x_i}{\xi x_i^2} \Rightarrow B = \frac{\xi (B x_i + u_i) x_i}{\xi x_i^2} = \frac{\xi B x_i^2 + \xi u_i x_i}{\xi x_i^2} = B \frac{\xi x_i^2}{\xi x_i^2} + \frac{\xi u_i x_i}{\xi x_i^2} = \text{Värde värdet av detta är unatlant:} B \left( \frac{B}{B} \right) + \frac{\xi X_i B u_i}{\xi X_i^2} = B + \frac{\xi X_i B u_i}{\xi X_i^2} = B

Detta är avvikelsen
vi förväntar oss. När n > ∞
kommer E(u_i) röra sig mot 0 och därnu
(1)
2. Detta betyder att vi i genomsnitt kommer att träffa rätt (sanna B-värdet). Desto större stickprovet blir desto lägre blir variansen och därav mer trättsäkert.

3. Om estimation är inbördesbar kan vi göra säkrare skattningar för detta kofficenter när vi gör regression. Vi kommer i genomsnitt att träffa det "sanna" detta värdet/värdena vilket säkrare är något vi vill göra för att på ett säkert sätt kunna lita på modellen.