Редко поведение зависимой переменной объясняется только с помощь одной независимой переменной. В действительности каждое явление определяется действием целого комплекса причин, поэтому несколько независимых переменных, используемых в комбинации, предлагают лучшее объяснение.
Истинная взаимосвязь между результирующим показателем (зависимой переменной) Y и различными объясняющими переменными Xj выражается так:
Y = b0 + b1X1 + b2X2 +…+bpXp + e,
или в матричном виде Y = Хb + e,
где Y – вектор значений зависимой переменной; Х – матрица значений независимой переменной размерностью (n ´ (p+1)); n – количество наблюдений; (p+1) – количество независимых переменных, включая значений фиктивной переменной Х0, тождественно равной единице (или число оцениваемых параметров); b – вектор параметров модели; e -вектор возмущения:
; 
; 
; 
.
Однако, как и в случае простой линейной регрессии, мы не знаем истинную зависимость и вынуждены находить оценки:
.
Многофакторная оценочная регрессионная модель в матричном виде представляется следующим образом:
, (2.16)
где B = {b0,b1,…,bp} ` -транспонированный вектор оценок параметров модели;
Для оценивания параметров множественной регрессии применим методом наименьших квадратов. Остатки регрессии представим как разность фактических и теоретических (расчетных) значений результирующей переменной Y:
е = Y - 
. (2.17)
Тогда сумму квадратов остатков можно записать так:
,
где 
- матрица, транспонированная к матрице Х.
Продифференцировав это выражение по В и приравняв производную нулю, получим:
,
или 
. (2.18)
Отсюда имеем:
. (2.19)
Уравнение (2.18) дает матричную форму записи системы нормальных уравнений, а формула (2.19) показывает, что вектор В является решением системы таких уравнений.
В формуле (2.19):
, 
Для матрицы 
по известным правилам ищется обратная матрица 
, которая затем умножается на матрицу 
, в результате чего определяются оценки параметров эконометрической модели В.
Если значения независимых переменных Хj в матрице Х представлены как отклонения от своего среднего (в центрированном виде), то матрицу () называют матрицей моментов. На ее главной диагонали расположены числа, характеризующие величину дисперсии независимых переменных, недиагональные элементы соответствуют взаимным ковариациям.
Коэффициенты bj (j = 1,2,…, р) представляют собой частные производные Y по соответствующим Хj:
и показывают, насколько в среднем изменится величина Y при изменении соответствующего фактора Х на единицу и при неизменных значениях других факторов.
Вспомним, что в случае простой регрессии постоянная регрессии b0 представляла собой величину зависимой переменной при нулевом значении независимой переменной. Во множественной регрессии толкование постоянной является более сложным. В некоторых моделях свободный член оценивается a priori, в других случаях значимая постоянная может представлять средний эффект, оказываемый на Y любыми независимыми переменными, которые не были включены в модель.
Пример. Посмотрим, как использовать полученные формулы на нашем примере, в котором предполагалось, что объем продаж некоторого товара является линейной функцией затрат на рекламу. Добавим вторую независимую переменную, доход, (Х2), и запишем исходные данные в таблицу 3, которые используем для оценивания параметров следующей эконометрической модели:
Y = b0X0 + b1X1 + b2X2 + e.
Таблица 3
| i | Yi | Xi0 | Xi1 | Xi2 | Yi2 | X2i1 | X2i2 | Xi1Xi2 | Xi1Yi | Xi2Yi |
| å |
Оценивание выполним с использованием оператора МНК: 
.
;
; 
.
.
Итак, получили модель: 
.
Коэффициенты регрессии показывают, что увеличение затрат на рекламу на 1 грн. при неизменной величине дохода способствует росту объема продаж в среднем на 0,366 тыс. грн. Если же при неизменном уровне затрат на рекламу доходы возрастут на одну денежную единицу, увеличение объема продаж составит в среднем 0,145 тыс. грн.
Подставив в эту модель фактические значения независимых переменных, получим расчетные значения результирующего показателя Y (объема продаж):
.
Вектор остатков: 
.
Сумма квадратов остатков = е`е = 
.
