在绝大多数情况下，在实践中使用线性回归模型，而不是更复杂的变量误差模型。例如，考虑建模高度与重量，或您自己选择的任何两个适当的连续变量 - 以下是教科书/文献中可以找到的典型示例：
据我所知，这对应于假设我们测量没有错误，我们测量有错误。但是我们在测量时实际上总是有错误. 在这种情况下是重量，但在大多数情况下，您会在教科书/文献中找到，自变量来自测量过程，因此会有一些测量误差。
- 所以当我们使用上面的模型来计算身高和体重时，是错误的，它明确地考虑了响应变量中的测量误差，也隐含地考虑了测量误差? 因为实际上，正如我刚才提到的，自变量中通常总是存在测量误差。
- 如果没有隐含地考虑测量误差，那么这种缺乏解释测量误差的原因是什么？表现在从线性回归获得的结果中？由于这种线性回归模型几乎适用于任何地方，我们似乎是故意犯的错误，即没有考虑测量误差不是那么糟糕吗？
- 最后，我读到当目标是预测时，变量中的误差对普通线性回归没有任何好处，这是为什么呢？