回歸分析是社會科學(xué)研究中最基本的工具，至少對于非經(jīng)驗主義者而言是這樣的。然而，盡管它是一件最常用的工具，它同樣有可能是最容易被濫用的。每位一年級的研究生都會快速地學(xué)習(xí)構(gòu)造最基本的多元回歸模型、我們假設(shè)政治學(xué)家Betty Brown利用如下最小二乘估計模型（OLS）估計美國50個州的福利花費情況。

　　Brown教授可能會總結(jié)到，民主黨的議席每增加1%，福利花費的期望值就會增加87.10美元（當(dāng)城市化水平保持恒定時）。那么這一對X1效果的估計到底有多好呢？更確切的說，這是最好的線性無偏估計（BLUE）嗎？如果答案是肯定的，那么這一估計模型就能夠與真實的世界聯(lián)系起來。否則，這一估計模型只是那些留連在鉛筆和草稿紙上的平面。

　　顯然，我們應(yīng)該去尋找能夠達(dá)到最佳無偏估計（BLUE）標(biāo)準(zhǔn)的估計模型。這是我們學(xué)習(xí)回歸假設(shè)的原因。Berry教授非常嚴(yán)謹(jǐn)?shù)囟�義了每一個假設(shè)，并且闡述了它們的實質(zhì)意義。這種優(yōu)美的文字描述搭配精選的圖形和通俗易懂的證明使得那些難懂的問題，比如測量、設(shè)定、多重共線性、異方差性以及自相關(guān)，都變得平易近人。而本書中的案例和數(shù)據(jù)也安排得很有條理，模型中的一個變量更能廣泛地吸引人們的興趣——體重。

　　理解回歸假設(shè)可以讓研究人員看到自己的弱點，同時也能夠使他們更好地駕馭回歸分析以得到更有效的估計。當(dāng)然，沒有這種理解，就無法邁開通往構(gòu)建模型的步伐。盡管目前在叢書中已經(jīng)有多本著作涉及到回歸分析這一話題（《應(yīng)用回歸》，Lewis-Beck著，第22冊；《回歸分析的解釋和應(yīng)用》，Achen著，第29冊；《實用多元回歸》，Berry和Feldman合著，第50冊；《隨機(jī)參數(shù)回歸模型》，Newbold和Bos合著，第51冊；《理解回歸分析》，Sjoquist和Stephan合著，第57冊；《多元回歸中的交互影響》，Turisi和Wan合著，第72冊；《回歸診斷》，F(xiàn)ox著，第79冊），但是還沒有人專門研究回歸假設(shè)。那么Berry教授的貢獻(xiàn)恰好能填補(bǔ)這一空白。