Mô hình OLS được trình bày như sau: Yit = α + β1Xit,1 + β2Xit,2 + … + βkXit,k + uit
Trong đó:
Yit: Biến phụ thuộc của quan sát i trong thời kỳ t
Xit,1; Xit,2; Xit,k …: Biến độc lập của quan sát i trong thời kỳ t αi: hệ số chặn
β1, β2, βk…: là hệ số ước lượng tác động của biến giải thích Xit,k
Mô hình hồi quy gộp Pooled OLS (OLS dữ liệu gộp) là một phương pháp hồi quy để ước lượng các hệ số của các biến được lựa chọn dựa trên các dữ liệu bao gồm cả chuỗi thời gian và dữ liệu mặt cắt ngang (không có sự khác biệt giữa các đơn vị chéo), với hằng số α được dùng chung cho tát cả các đơn vị chéo. Giả định của phương pháp này chỉ đúng khi có sự đồng nhất giữa các đơn vị chéo. Có một số chỉ tiêu thống kê được từ mô hình POLS. R-square phản ánh ảnh hưởng của biến độc lập trên biến phụ thuộc. Giá trị r -square cao hơn có nghĩa là phương sai của biến phụ thuộc được giải thích bởi các biến độc lập. Kiếm định F-test được tiến hành để kiểm tra về tầm quan trọng trong ảnh hưởng của biến độc lập trên biến phụ thuộc. P-value là giá trị kiểm tra thống kê và nó thường được so sánh với 0,05. Nếu giá trị p nhỏ hơn 0,05, ảnh hưởng của biến độc lập trên biến phụ thuộc rất có ý nghĩa về mặt thống kê. Tuy nhiên, phương pháp này có nhược điểm là thường có khả năng xuất hiện hiện tượng tự tương quan trong dữ liệu hay ràng buộc phần dư làm cho giá trị Durbin – Watson thấp. Ngoài ra, ràng buộc về các đơn vị chéo trong mô hình OLS cũng rất chặt và khó đáp ứng trong thực tế. Vì vậy, để khắc phục được các nhược điểm gặp phải ở mô hình Pooled OLS, ta cần sử dụng mô hình FEM và REM. Mô hình FEM và REM sẽ phù hợp hơn vì không bỏ qua các yếu tố thời gian và yếu tố riêng biệt.