一、模型假设
传统多元线性回归模型
最重要的假设的原理为：
1. 自变量和因变量之间存在多元线性关系，因变量y能够被x1,x2….x{k}完全地线性解释；2.不能被解释的部分则为纯粹的无法观测到的误差
其它假设主要为：
1.模型线性，设定正确； 2.无多重共线性； 3.无内生性； 4.随机误差项具有条件零均值、同方差、以及无自相关； 5.随机误差项正态分布
具体见另一篇文章：回归模型的基本假设
二、估计方法
目标：估计出多元回归模型的参数
注：下文皆为矩阵表述，X为自变量矩阵(n*k维)，y为因变量向量（n*1维）
OLS（普通最小二乘估计）
思想：多元回归模型的参数应当能够使得， 因变量y的样本向量 在 由自变量X的样本所构成的线性空间G（x）的投影（即y’= xb）为向量y在 线性空间G(x)上的正交投影。直白一点说，就是要使得(y-y’)’(y-y’)最小化，从而能够使y的预测值与y的真实值之间的差距最小。
使用凸优化方法，可以求得参数的估计值为：b = (x’x)^(-1)x’y
最大似然估计
既然已经在假设中假设了随机误差项的分布为正态分布，
那么自变量y的分布也可以由线性模型推算出来（其分布的具体函数包括参数b在内）。
进一步的既然已经抽取到了y的样本，那么使得y的样本出现概率（联合概率密度）最大的参数即为所求
最终结果与OLS估计的结果是一致的
矩估计
思想：通过寻找总体矩条件(模型设定时已经有的假设，即无内生性)，在总体矩条件中有参数的存在，然后用样本矩形条件来进行推导未知参数的解。
在多元回归中有外生性假设：
对应的样本矩为：
最终估计结果与OLS方法也是一样的。
三、模型检验
1.拟合优度检验
（1）因变量y是随机变量，而估计出来的y’却不是随机变量；
（2）拟合优度表示的是模型的估计值y’能够在多大程度上解释因变量样本y的变动。
（3）y’的变动解释y的变动能力越强，则说明模型拟合的越好y-y’就越接近与假设的随机误差
（4）而因变量的变动是由其方差来描述的。
所以定义3个变动：y’的变动，y的变动，以及随机误差u的变动。y的变动是由y’的变动和u的变动所构成的。
TSS:总回归平方和，代表y的变动
RSS:残差平方和，代表y’没有观测到的变动，这部分越大，说明拟合效果越差
ESS:回归平方和，代表y’观测到的变动，这部分越大，说明拟合效果越好。
进一步地，得出了拟合系数
该系数越大，表明模型的拟合程度越好。
需要注意的是，拟合系数并非越大越好，过度拟合的模型是难以进行外推的。
2.总体线性的检验
假设：
思想：若是所有参数的系数都为0，那么y的变动纯粹是由随机项的变动决定的，ESS模型解释的变动范围即为随机项的变动范围，由于随机项服从正态分布，那么ESS则服从卡方分布，又RSS为随机项的变动，本身就服从卡方分布。因此可以构造F统计量
若F值过大，则原假设成立的可能性就很小了。
3.变量显著性的检验
变量显著性的检验思想非常简单：由于b = (x’x)^(-1)x’y，再加上随机项正态分布的假设，便可以得出b的正态分布结论，同时由于随机项的方差是未知的，所以我们便用余差平方和对方差进行估计，从而能够构造T统计量。