De acordo com Gujarati (2000), considere o seguinte modelo linear Yi =β0 +β1 X1i+β2 X2i+…+βk Xβki+εi para assinalar a al...

Se a variável X_1i está correlacionada com a variável X_2i, ambas são teoricamente relevantes na equação da regressão e no momento da estimativa omite-se esta última variável; então, as estimativas serão consistentes e não viesadas.

A adoção de uma variável proxy diante a incapacidade de se observar uma variável relevante para o modelo, sendo ambas fortemente correlacionadas, é uma das formas para solucionar a questão da heterocedasticidade.

A presença de multicolinearidade eleva a magnitude da variância dos parâmetros estimados dado os altos níveis de correlação entre as variáveis independentes. Consequentemente, isso compromete a precisão ao estimar o efeito de cada variável independente sobre a variável dependente.

Se o valor médio do termo de erro, ε, for diferente de zero dado X, conclui-se que os fatores que compõem o termo de erro afetam sistematicamente o valor médio de Y e o coeficiente de regressão.

A presença de heterocedasticidade causa viés nos estimadores do modelo linear, mas permanecem válidos os testes F e t.