整本书采用系统性的方法，每一个主题都是在之前的材料的基础上的逻辑构建，只有在必须获得结论的时候才引入假设。例如，用计量方法进行实证的研究者明白最小二乘估计的无偏性不是所有的高斯-马尔可夫假设都是必须的。然而大量教科书引入了完全的假设（其中许多是冗余的而且是矛盾的）进行OLS的无偏估计。同样的，正太假设经常包含在高斯-马尔可夫定理的假设中，即使众所周知正太性在OLS估计的最佳线性无偏的估计中没有起到任何作用。
系统方法通过第一章多元回归假设的次序进行阐述。这种结构得出了一个简要总结每个假设的作用的自然进展：
MLR.1引入总体模型并阐释总体参数（希望去估计的）
MLR.2介绍总体的随机抽样和描述数据用于估计总体参数
MLR.3加入解释变量的假设估计样本，这就是所谓的非完全共线假设
MLR.4假设在总体中，未观测的误差均值与解释变量独立；这就是均值独立假设与误差项零均值假设，这是OLS无偏估计的关键假设。
在介绍了MLR.1到MLR.3之后，可以讨论最小二乘的代数性质，OLS对于特定数据集的属性。通过额外的假设MLR.4，我们可以说明OLS的无偏性（一致性）。假设MLR.5（同方差）加入到高斯-马尔可夫理论中，使得OLS方差等式有效。假设MLR.6（正太）直到第四章才引入，使得经典的线性模型假设更加完善。这六个假设用于获得正确的统计推断，OLS估计是所有无偏估计中最小方差估计。
当研究大样本性质时，在第二部分我处理时间序列数据时我用了其他方法。对假设的存在和讨论使得何容易转到第三部分，展开高级主题，包括混合截面数据，面板数据结构和工具变量方法的应用。总的来说，我力求提供一种统一的计量经济学观点，估计和统计检验通过直观上合理的原则进行估计和检验（也有严格证明）。例如异方差和序列相关的有偏回归检验，对于学生容易掌握，因为他们已经有了一个对回归的理解。这与过时的计量经济学检验程序的互不关联的处理方法形成了对比。
书中，我强调了其他条件不变，这就是为什么在简单的回归模型一章之后我转到了多元回归分析。多元回归让学生去思考应用。我也提供了用结构数据的*策分析。应用这些题目，比如用代理变量去获得其他条件不变的效应和用交乘项解释模型中的部分效应，都以一种简单的方式被涵盖。
小神pp