Gauss–Markov theorem - Wikipedia
In statistics, the Gauss–Markov theorem (or simply Gauss theorem for some authors) [1] states that the ordinary least squares (OLS) estimator has the lowest sampling variance within the class of linear unbiased estimators, if the errors in the linear regression model are uncorrelated, have equal variances and expectation value of zero. [2]
高斯-马尔可夫定理 - 维基百科，自由的百科全书
高斯-馬可夫定理（英語： Gauss-Markov Theorem ），在統計學中陳述的是在线性回归模型中，如果线性模型满足高斯马尔可夫假定，则回归系数的“最佳线性无偏 估计”（BLUE，英語： Best Linear unbiased estimator ）就是普通最小二乘法估计。
高斯—马尔可夫定理 - 百度百科
高斯—马尔可夫定理（Gauss–Markov theory）是指在给定经典线性回归的假定下，最小二乘估计量是具有最小方差的线性无偏估计量的这一定理。
最小二乘法与高斯-马尔可夫定理 - 知乎 - 知乎专栏
高斯－马尔可夫定理（Gauss Markov Theorem） 首先插入一下什么是 线性估计 和 最佳线性无偏估计 ： 线性估计 ：若估计量是观测值的线性函数，则称它为 线性估计 。
高斯马尔科夫定理 - 百度百科
在 统计学 中， 高斯-马尔可夫定理(Gauss-Markov Theorem) 陈述的是：在 线性回归 模型中，如果误差满足零 均值 、 同方差 且 互不相关 ，则 回归系数 的最佳线性 无偏 估计 (BLUE, Best Linear unbiased estimator)就是 普通最小二乘法 估计 。
最小二乘法——高斯-马尔可夫定理的证明，无偏估计、求系数的方 …
高斯—马尔可夫定理（Gauss–Markov theory）是指在给定经典线性回归的假定下，最小二乘估计量是具有最小方差的线性无偏估计量的这一定理。 高斯 -- 马尔可夫 定理 的意义在于，当经典假定成立时，我们不需要再去寻找其它 无偏估计 量，没有一个会优于普通 ...
AI数学拾遗 | Gauss-Markov定理及其证明 - 知乎 - 知乎专栏
这里X\beta’-Y向量的方向画反了，懒得改了. 其中 AOB 平面为 x^i 向量所在的 n 维超平面。 那么最小二乘法的均方误差公式可以看做向量 X\beta' -Y 的模长的平方。 显然，这个向量在垂直于 AOB 平面时长度最短，或者说向量 X\beta' 为高维向量 Y 在 AOB 平面上的投影时该向量最短。
高斯-馬可夫定理 - 維基百科，自由的百科全書
高斯-馬可夫定理（英語： Gauss-Markov Theorem ），在統計學中陳述的是在線性回歸模型中，如果線性模型滿足高斯馬爾可夫假定，則回歸係數的「最佳線性無偏 估計」（BLUE，英語： Best Linear unbiased estimator ）就是普通最小二乘法估計。
线性模型笔记 | 4 Gauss-Markov 模型和定理 - 知乎 - 知乎专栏
正交是OLS固有的代数性质，不需要任何统计上的假设（包括 Gauss-Markov 假设）即成立。而不相关是一种随机变量才有的统计性质，必须在 Gauss-Markov 假设下OLS估计量才会有 \hat Y 和 \hat \varepsilon 不相关这一性质。 证明
Gauss Markov Theorem & Assumptions - Statistics How To
The Gauss Markov theorem tells us that if a certain set of assumptions are met, the ordinary least squares estimate for regression coefficients gives you the best linear unbiased estimate (BLUE) possible.