เปรียบเทียบวิธี

	การถดถอยกำลังสองน้อยที่สุดสามัญ (OLS)	การถดถอยกำลังสองน้อยที่สุดทั่วไปแบบคงทน (Robust GLS)	OLS ที่ทนทาน (OLS พร้อมส่วนคลาดเคลื่อนมาตรฐานที่ทนทาน)
สาขาวิชา	เศรษฐมิติ	เศรษฐมิติ	เศรษฐมิติ
ตระกูล	Regression model	Regression model	Regression model
ปีกำเนิด	2019	1936 / 1980	1980
ผู้ริเริ่ม	Wooldridge (textbook treatment); classical least squares	Aitken (GLS theory, 1936); White (robust covariance, 1980)	Halbert White
ประเภท	Linear regression	Robust linear regression	Linear regression with robust inference
แหล่งต้นตำรับ	Wooldridge, J. M. (2019). Introductory Econometrics: A Modern Approach (7th ed.). Cengage Learning. ISBN: 978-1337558860	Greene, W. H. (2012). Econometric Analysis (7th ed.). Pearson. Chapter 9: The Generalized Regression Model and Heteroscedasticity. ISBN: 978-0131395381	White, H. (1980). A heteroskedasticity-consistent covariance matrix estimator and a direct test for heteroskedasticity. Econometrica, 48(4), 817–838.
ชื่อเรียกอื่น	ordinary least squares, classical linear regression, linear regression, en küçük kareler regresyonu	robust generalized least squares, GLS with robust standard errors, heteroscedasticity-consistent GLS, HC-GLS	HC robust regression, White robust OLS, sandwich estimator OLS, OLS with robust standard errors
ที่เกี่ยวข้อง	5	5	6
สรุป	Ordinary Least Squares is the classical linear regression method that explains a continuous outcome as a linear combination of predictors. It estimates the coefficients by minimising the sum of squared residuals, and under the Gauss-Markov assumptions these estimates are the best linear unbiased estimator (BLUE).	Robust GLS extends classical Generalized Least Squares by pairing GLS coefficient estimation with heteroscedasticity- and autocorrelation-consistent (HAC) standard errors, or by using M-estimation within the GLS framework. It corrects for non-spherical errors — heteroscedasticity, autocorrelation, or both — while also guarding inference against misspecification of the error covariance structure.	Robust OLS applies ordinary least squares to estimate coefficients and then replaces the classical standard errors with heteroscedasticity-consistent (HC) standard errors — commonly called White standard errors. This leaves the point estimates unchanged while yielding valid t-statistics and confidence intervals even when the error variance is not constant across observations.