Eksamenssett logo
eksamenssett.noTren målrettet
  • Ungdomsskole/VGS
  • Høyskole
  • Ressurser
  • Privatundervisning
  • Kontakt
eksamenssett.noTren målrettet

Komplett samling av eksamensoppgaver og løsninger for norsk skole.

Om ossPrivatundervisningPriserSlik bruker du sidenFAQPersonvernVilkårAngrerettKontaktKI-deklarasjon

© 2026 Eksamenssett.no · Alle rettigheter forbeholdt

Innholdet er utviklet med KI og kvalitetssikres kontinuerlig – av modellene, og ved at våre tusenvis av brukere kan melde fra om feil. Slik jobber vi med kvalitet →

Eksamenssett.no eies og drives av Studenthjelp Privatundervisning AS

Org.nr. 913 117 387 (Foretaksregisteret) · Aksel Olsens vei 10B, 1597 Moss · Ikke MVA-registrert

Eksamenssett logo
eksamenssett.noTren målrettet
  • Ungdomsskole/VGS
  • Høyskole
  • Ressurser
  • Privatundervisning
  • Kontakt
eksamenssett.noTren målrettet

Komplett samling av eksamensoppgaver og løsninger for norsk skole.

Om ossPrivatundervisningPriserSlik bruker du sidenFAQPersonvernVilkårAngrerettKontaktKI-deklarasjon

© 2026 Eksamenssett.no · Alle rettigheter forbeholdt

Innholdet er utviklet med KI og kvalitetssikres kontinuerlig – av modellene, og ved at våre tusenvis av brukere kan melde fra om feil. Slik jobber vi med kvalitet →

Eksamenssett.no eies og drives av Studenthjelp Privatundervisning AS

Org.nr. 913 117 387 (Foretaksregisteret) · Aksel Olsens vei 10B, 1597 Moss · Ikke MVA-registrert

Eksamenssett logo
eksamenssett.noTren målrettet
  • Ungdomsskole/VGS
  • Høyskole
  • Ressurser
  • Privatundervisning
  • Kontakt
eksamenssett.noTren målrettet

Komplett samling av eksamensoppgaver og løsninger for norsk skole.

Om ossPrivatundervisningPriserSlik bruker du sidenFAQPersonvernVilkårAngrerettKontaktKI-deklarasjon

© 2026 Eksamenssett.no · Alle rettigheter forbeholdt

Innholdet er utviklet med KI og kvalitetssikres kontinuerlig – av modellene, og ved at våre tusenvis av brukere kan melde fra om feil. Slik jobber vi med kvalitet →

Eksamenssett.no eies og drives av Studenthjelp Privatundervisning AS

Org.nr. 913 117 387 (Foretaksregisteret) · Aksel Olsens vei 10B, 1597 Moss · Ikke MVA-registrert

Eksamenssett logo
eksamenssett.noTren målrettet
  • Ungdomsskole/VGS
  • Høyskole
  • Ressurser
  • Privatundervisning
  • Kontakt
  1. Hjem
  3. Høyskole
  5. UiO
  7. ECON3150
  9. Temaprøver
ECON3150

ECON3150 Introductory Econometrics

Temaprøver

Øv deg på hvert enkelt tema med realistiske totimersprøver. Perfekt for å styrke svake områder eller teste deg selv før eksamen.

48

prøver

12

temaer

2t

per prøve

01

OLS-estimering og tolkning

Eksamensrelevant4 prøver
Temaprøve 1Gratis
2 timer
\displaystyle \hat{\beta}_1 = \frac{\sum_{i=1}^n (X_i $R^2 = 1 - \frac{SSR}{SST} = \text{Cor}($RMSE=SSRn−k−1,\displaystyle \text{RMSE} = \sqrt{\frac{SSR}{n-k-1}},RMSE=n−k−1SSR​​,

Om temaprøvene

Hver temaprøve er designet for å ta 2 timer og fokuserer på ett spesifikt tema fra pensum.

Prøvene er laget for å ligne oppgavene du møter på eksamen, men med fokus på ett emne av gangen. Dette gjør det lettere å identifisere og fylle kunnskapshull.

Temaer merket med «Eksamensrelevant» er de som dukker opp på nesten alle eksamener. Start med disse hvis du har begrenset tid.

Temaprøve 1 i hvert tema er gratis. Temaprøve 2–4 krever premium.
eksamenssett.noTren målrettet

Komplett samling av eksamensoppgaver og løsninger for norsk skole.

Om ossPrivatundervisningPriserSlik bruker du sidenFAQPersonvernVilkårAngrerettKontaktKI-deklarasjon

© 2026 Eksamenssett.no · Alle rettigheter forbeholdt

Innholdet er utviklet med KI og kvalitetssikres kontinuerlig – av modellene, og ved at våre tusenvis av brukere kan melde fra om feil. Slik jobber vi med kvalitet →

Eksamenssett.no eies og drives av Studenthjelp Privatundervisning AS

Org.nr. 913 117 387 (Foretaksregisteret) · Aksel Olsens vei 10B, 1597 Moss · Ikke MVA-registrert

Log-level: \%\Delta Y \approx 100 \beta_
Temaprøve 2
2 timer
$R^2 = 1 - \frac{SSR}{SST} = \text{Cor}($RMSE=SSRn−k−1,\displaystyle \text{RMSE} = \sqrt{\frac{SSR}{n-k-1}},RMSE=n−k−1SSR​​, Log-level: \%\Delta Y \approx 100 \beta_\displaystyle \hat{\beta}_1 = \frac{\sum_{i=1}^n (X_i
Temaprøve 3
2 timer
RMSE=SSRn−k−1,\displaystyle \text{RMSE} = \sqrt{\frac{SSR}{n-k-1}},RMSE=n−k−1SSR​​, Log-level: \%\Delta Y \approx 100 \beta_\displaystyle \hat{\beta}_1 = \frac{\sum_{i=1}^n (X_i $R^2 = 1 - \frac{SSR}{SST} = \text{Cor}($
Temaprøve 4
2 timer
Log-level: \%\Delta Y \approx 100 \beta_\displaystyle \hat{\beta}_1 = \frac{\sum_{i=1}^n (X_i $R^2 = 1 - \frac{SSR}{SST} = \text{Cor}($RMSE=SSRn−k−1,\displaystyle \text{RMSE} = \sqrt{\frac{SSR}{n-k-1}},RMSE=n−k−1SSR​​,
02

Hypotesetesting og konfidensintervaller

Eksamensrelevant4 prøver
Temaprøve 1Gratis
2 timer
\displaystyle t = \frac{\hat{\beta}_j - \beta_{j,0}}{SKI_{1-\alpha} = \hat{\beta}_j \pm z_{\alKritiske verdier: z_{0.10} = 1.28, z_{0.P-verdi (tosidig): p=2⋅Φ(−p = 2 \cdot \Phi(-p=2⋅Φ(−|t|
Temaprøve 2
2 timer
KI_{1-\alpha} = \hat{\beta}_j \pm z_{\alKritiske verdier: z_{0.10} = 1.28, z_{0.P-verdi (tosidig): p=2⋅Φ(−p = 2 \cdot \Phi(-p=2⋅Φ(−|t|\displaystyle t = \frac{\hat{\beta}_j - \beta_{j,0}}{S
Temaprøve 3
2 timer
Kritiske verdier: z_{0.10} = 1.28, z_{0.P-verdi (tosidig): p=2⋅Φ(−p = 2 \cdot \Phi(-p=2⋅Φ(−|t|\displaystyle t = \frac{\hat{\beta}_j - \beta_{j,0}}{SKI_{1-\alpha} = \hat{\beta}_j \pm z_{\al
Temaprøve 4
2 timer
P-verdi (tosidig): p=2⋅Φ(−p = 2 \cdot \Phi(-p=2⋅Φ(−|t|\displaystyle t = \frac{\hat{\beta}_j - \beta_{j,0}}{SKI_{1-\alpha} = \hat{\beta}_j \pm z_{\alKritiske verdier: z_{0.10} = 1.28, z_{0.
03

Multippel regresjon og modellvalg

Eksamensrelevant4 prøver
Temaprøve 1Gratis
2 timer
\displaystyle F = \frac{(SSR_r - SSR_{ur})/q}{SSR_{ur}\displaystyle F = \frac{(R^2_{ur} - R^2_r)/q}{(1-R^2_{\displaystyle \bar{R}^2 = 1 - \frac{(1-R^2)(n-1)}{n-k-RMSE2⋅(n−k−1)=SSRRMSE^2\cdot (n-k-1) = SSRRMSE2⋅(n−k−1)=SSR (nyttig når eksamen
Temaprøve 2
2 timer
\displaystyle F = \frac{(R^2_{ur} - R^2_r)/q}{(1-R^2_{\displaystyle \bar{R}^2 = 1 - \frac{(1-R^2)(n-1)}{n-k-RMSE2⋅(n−k−1)=SSRRMSE^2\cdot (n-k-1) = SSRRMSE2⋅(n−k−1)=SSR (nyttig når eksamen \displaystyle F = \frac{(SSR_r - SSR_{ur})/q}{SSR_{ur}
Temaprøve 3
2 timer
\displaystyle \bar{R}^2 = 1 - \frac{(1-R^2)(n-1)}{n-k-RMSE2⋅(n−k−1)=SSRRMSE^2\cdot (n-k-1) = SSRRMSE2⋅(n−k−1)=SSR (nyttig når eksamen \displaystyle F = \frac{(SSR_r - SSR_{ur})/q}{SSR_{ur}\displaystyle F = \frac{(R^2_{ur} - R^2_r)/q}{(1-R^2_{
Temaprøve 4
2 timer
RMSE2⋅(n−k−1)=SSRRMSE^2\cdot (n-k-1) = SSRRMSE2⋅(n−k−1)=SSR (nyttig når eksamen \displaystyle F = \frac{(SSR_r - SSR_{ur})/q}{SSR_{ur}\displaystyle F = \frac{(R^2_{ur} - R^2_r)/q}{(1-R^2_{\displaystyle \bar{R}^2 = 1 - \frac{(1-R^2)(n-1)}{n-k-
04

Utelatt variabel-bias og OVB-formelen

Eksamensrelevant4 prøver
Temaprøve 1Gratis
2 timer
$\tilde{\beta}_1 = \hat{\beta}_1 + \hat{$Bias = \hat{\beta}_2 \cdot \tilde{\delta\displaystyle \tilde{\delta}_1 = \frac{\tilde{\beta}_1\displaystyle r_{XW} = \tilde{\delta}_1 \cdot \frac{SD
Temaprøve 2
2 timer
Bias = \hat{\beta}_2 \cdot \tilde{\delta\displaystyle \tilde{\delta}_1 = \frac{\tilde{\beta}_1\displaystyle r_{XW} = \tilde{\delta}_1 \cdot \frac{SD$\tilde{\beta}_1 = \hat{\beta}_1 + \hat{$
Temaprøve 3
2 timer
\displaystyle \tilde{\delta}_1 = \frac{\tilde{\beta}_1\displaystyle r_{XW} = \tilde{\delta}_1 \cdot \frac{SD$\tilde{\beta}_1 = \hat{\beta}_1 + \hat{$Bias = \hat{\beta}_2 \cdot \tilde{\delta
Temaprøve 4
2 timer
\displaystyle r_{XW} = \tilde{\delta}_1 \cdot \frac{SD$\tilde{\beta}_1 = \hat{\beta}_1 + \hat{$Bias = \hat{\beta}_2 \cdot \tilde{\delta\displaystyle \tilde{\delta}_1 = \frac{\tilde{\beta}_1
05

Ikke-lineære spesifikasjoner

Eksamensrelevant4 prøver
Temaprøve 1Gratis
2 timer
Kvadratisk: Yi=β0+β1XiY_i = \beta_0 + \beta_1 X_iYi​=β0​+β1​Xi​ Knekkpunkt: X∗=−β1/(2β2)(mX^* = -\beta_1/(2\beta_2) (mX∗=−β1​/(2β2​)(mInteraksjon: Yi=β0+β1XiY_i = \beta_0 + \beta_1 X_iYi​=β0​+β1​Xi​R: feols(y ~ x+I(x2),x + I(x^2),x+I(x2), data) for kvadr
Temaprøve 2
2 timer
Knekkpunkt: X∗=−β1/(2β2)(mX^* = -\beta_1/(2\beta_2) (mX∗=−β1​/(2β2​)(mInteraksjon: Yi=β0+β1XiY_i = \beta_0 + \beta_1 X_iYi​=β0​+β1​Xi​R: feols(y ~ x+I(x2),x + I(x^2),x+I(x2), data) for kvadrKvadratisk: Yi=β0+β1XiY_i = \beta_0 + \beta_1 X_iYi​=β0​+β1​Xi​
Temaprøve 3
2 timer
Interaksjon: Yi=β0+β1XiY_i = \beta_0 + \beta_1 X_iYi​=β0​+β1​Xi​R: feols(y ~ x+I(x2),x + I(x^2),x+I(x2), data) for kvadrKvadratisk: Yi=β0+β1XiY_i = \beta_0 + \beta_1 X_iYi​=β0​+β1​Xi​ Knekkpunkt: X∗=−β1/(2β2)(mX^* = -\beta_1/(2\beta_2) (mX∗=−β1​/(2β2​)(m
Temaprøve 4
2 timer
R: feols(y ~ x+I(x2),x + I(x^2),x+I(x2), data) for kvadrKvadratisk: Yi=β0+β1XiY_i = \beta_0 + \beta_1 X_iYi​=β0​+β1​Xi​ Knekkpunkt: X∗=−β1/(2β2)(mX^* = -\beta_1/(2\beta_2) (mX∗=−β1​/(2β2​)(mInteraksjon: Yi=β0+β1XiY_i = \beta_0 + \beta_1 X_iYi​=β0​+β1​Xi​
06

Heteroskedastisitet og robuste standardfeil

Hyppig på eksamen4 prøver
Temaprøve 1Gratis
2 timer
IID: SE(\hat{\beta}_1) = \sqrt{\hat{\sigHC-robust SE bruker \hat{\Omega} = \textGauss-Markov: OLS er BLUE under homoskedSSR=RMSE2×(n−k−1)SSR = RMSE^2 \times (n - k - 1)SSR=RMSE2×(n−k−1) (nyttig for F-
Temaprøve 2
2 timer
HC-robust SE bruker \hat{\Omega} = \textGauss-Markov: OLS er BLUE under homoskedSSR=RMSE2×(n−k−1)SSR = RMSE^2 \times (n - k - 1)SSR=RMSE2×(n−k−1) (nyttig for F-IID: SE(\hat{\beta}_1) = \sqrt{\hat{\sig
Temaprøve 3
2 timer
Gauss-Markov: OLS er BLUE under homoskedSSR=RMSE2×(n−k−1)SSR = RMSE^2 \times (n - k - 1)SSR=RMSE2×(n−k−1) (nyttig for F-IID: SE(\hat{\beta}_1) = \sqrt{\hat{\sigHC-robust SE bruker \hat{\Omega} = \text
Temaprøve 4
2 timer
SSR=RMSE2×(n−k−1)SSR = RMSE^2 \times (n - k - 1)SSR=RMSE2×(n−k−1) (nyttig for F-IID: SE(\hat{\beta}_1) = \sqrt{\hat{\sigHC-robust SE bruker \hat{\Omega} = \textGauss-Markov: OLS er BLUE under homosked
07

Instrumentvariabler og Wald-estimatoren

Eksamensrelevant4 prøver
Temaprøve 1Gratis
2 timer
\displaystyle \hat{\beta}_{\text{Wald}} = \frac{\bar{YRelevanskrav: Cov(Zi,Xi)≠\text{Cov}(Z_i, X_i) \neqCov(Zi​,Xi​)= Eksklusjonsrestriksjon: Cov(Zi,\text{Cov}(Z_i,Cov(Zi​, R: feols(Y ~ W | X ~ Z, data) (2SLS i fi
Temaprøve 2
2 timer
Relevanskrav: Cov(Zi,Xi)≠\text{Cov}(Z_i, X_i) \neqCov(Zi​,Xi​)= Eksklusjonsrestriksjon: Cov(Zi,\text{Cov}(Z_i,Cov(Zi​, R: feols(Y ~ W | X ~ Z, data) (2SLS i fi\displaystyle \hat{\beta}_{\text{Wald}} = \frac{\bar{Y
Temaprøve 3
2 timer
Eksklusjonsrestriksjon: Cov(Zi,\text{Cov}(Z_i,Cov(Zi​, R: feols(Y ~ W | X ~ Z, data) (2SLS i fi\displaystyle \hat{\beta}_{\text{Wald}} = \frac{\bar{YRelevanskrav: Cov(Zi,Xi)≠\text{Cov}(Z_i, X_i) \neqCov(Zi​,Xi​)=
Temaprøve 4
2 timer
R: feols(Y ~ W | X ~ Z, data) (2SLS i fi\displaystyle \hat{\beta}_{\text{Wald}} = \frac{\bar{YRelevanskrav: Cov(Zi,Xi)≠\text{Cov}(Z_i, X_i) \neqCov(Zi​,Xi​)= Eksklusjonsrestriksjon: Cov(Zi,\text{Cov}(Z_i,Cov(Zi​,
08

Probit og logit-modeller

Hyppig på eksamen4 prøver
Temaprøve 1Gratis
2 timer
Probit: P(Y=1|X) = \Phi(\beta_0 + \beta_Logit: P(Y=1|X)=Λ(β0+\betX) = \Lambda(\beta_0 + \betX)=Λ(β0​+\betMarginal effekt (probit): ϕ(z)⋅\phi(z) \cdotϕ(z)⋅ LPM: P(Y=1|X)=β0+β1X(OLSX) = \beta_0 + \beta_1 X (OLSX)=β0​+β1​X(OLS
Temaprøve 2
2 timer
Logit: P(Y=1|X)=Λ(β0+\betX) = \Lambda(\beta_0 + \betX)=Λ(β0​+\betMarginal effekt (probit): ϕ(z)⋅\phi(z) \cdotϕ(z)⋅ LPM: P(Y=1|X)=β0+β1X(OLSX) = \beta_0 + \beta_1 X (OLSX)=β0​+β1​X(OLSProbit: P(Y=1|X) = \Phi(\beta_0 + \beta_
Temaprøve 3
2 timer
Marginal effekt (probit): ϕ(z)⋅\phi(z) \cdotϕ(z)⋅ LPM: P(Y=1|X)=β0+β1X(OLSX) = \beta_0 + \beta_1 X (OLSX)=β0​+β1​X(OLSProbit: P(Y=1|X) = \Phi(\beta_0 + \beta_Logit: P(Y=1|X)=Λ(β0+\betX) = \Lambda(\beta_0 + \betX)=Λ(β0​+\bet
Temaprøve 4
2 timer
LPM: P(Y=1|X)=β0+β1X(OLSX) = \beta_0 + \beta_1 X (OLSX)=β0​+β1​X(OLSProbit: P(Y=1|X) = \Phi(\beta_0 + \beta_Logit: P(Y=1|X)=Λ(β0+\betX) = \Lambda(\beta_0 + \betX)=Λ(β0​+\betMarginal effekt (probit): ϕ(z)⋅\phi(z) \cdotϕ(z)⋅
09

Paneldata og fixed effects

Hyppig på eksamen4 prøver
Temaprøve 1Gratis
2 timer
FE-modell: Y_{it} = \beta_0 + \beta_1 X_Within-transformasjon: Y~it=\tilde{Y}_{it} =Y~it​= Toveis FE: Yit=β1Xit+\etY_{it} = \beta_1 X_{it} + \etYit​=β1​Xit​+\etR: feols(Y ~ X | id, data) (entity FE);
Temaprøve 2
2 timer
Within-transformasjon: Y~it=\tilde{Y}_{it} =Y~it​= Toveis FE: Yit=β1Xit+\etY_{it} = \beta_1 X_{it} + \etYit​=β1​Xit​+\etR: feols(Y ~ X | id, data) (entity FE); FE-modell: Y_{it} = \beta_0 + \beta_1 X_
Temaprøve 3
2 timer
Toveis FE: Yit=β1Xit+\etY_{it} = \beta_1 X_{it} + \etYit​=β1​Xit​+\etR: feols(Y ~ X | id, data) (entity FE); FE-modell: Y_{it} = \beta_0 + \beta_1 X_Within-transformasjon: Y~it=\tilde{Y}_{it} =Y~it​=
Temaprøve 4
2 timer
R: feols(Y ~ X | id, data) (entity FE); FE-modell: Y_{it} = \beta_0 + \beta_1 X_Within-transformasjon: Y~it=\tilde{Y}_{it} =Y~it​= Toveis FE: Yit=β1Xit+\etY_{it} = \beta_1 X_{it} + \etYit​=β1​Xit​+\et
10

Difference-in-differences

4 prøver
Temaprøve 1Gratis
2 timer
\hat{\delta}_{\text{DiD}} = (\bar{Y}_{11DiD-regresjon: Y_{it} = \beta_0 + \beta_δer\delta erδer den kausale effekten under parR: feols(Y ~ D + T + D:T, data)
Temaprøve 2
2 timer
DiD-regresjon: Y_{it} = \beta_0 + \beta_δer\delta erδer den kausale effekten under parR: feols(Y ~ D + T + D:T, data)\hat{\delta}_{\text{DiD}} = (\bar{Y}_{11
Temaprøve 3
2 timer
δer\delta erδer den kausale effekten under parR: feols(Y ~ D + T + D:T, data)\hat{\delta}_{\text{DiD}} = (\bar{Y}_{11DiD-regresjon: Y_{it} = \beta_0 + \beta_
Temaprøve 4
2 timer
R: feols(Y ~ D + T + D:T, data)\hat{\delta}_{\text{DiD}} = (\bar{Y}_{11DiD-regresjon: Y_{it} = \beta_0 + \beta_δer\delta erδer den kausale effekten under par
11

Kausal inferens og indre gyldighet

Eksamensrelevant4 prøver
Temaprøve 1Gratis
2 timer
E[ui∣Xiu_i | X_iui​∣Xi​] = 0 (betinget gjennomsnittsCIA: E[ui∣Xi,Wiu_i | X_i, W_iui​∣Xi​,Wi​] = 0 (selection onITT: sammenlign tildelte grupper uansettLATE=β^Wald=ITT−eLATE = \hat{\beta}_{\text{Wald}} = ITT-eLATE=β^​Wald​=ITT−e
Temaprøve 2
2 timer
CIA: E[ui∣Xi,Wiu_i | X_i, W_iui​∣Xi​,Wi​] = 0 (selection onITT: sammenlign tildelte grupper uansettLATE=β^Wald=ITT−eLATE = \hat{\beta}_{\text{Wald}} = ITT-eLATE=β^​Wald​=ITT−eE[ui∣Xiu_i | X_iui​∣Xi​] = 0 (betinget gjennomsnitts
Temaprøve 3
2 timer
ITT: sammenlign tildelte grupper uansettLATE=β^Wald=ITT−eLATE = \hat{\beta}_{\text{Wald}} = ITT-eLATE=β^​Wald​=ITT−eE[ui∣Xiu_i | X_iui​∣Xi​] = 0 (betinget gjennomsnittsCIA: E[ui∣Xi,Wiu_i | X_i, W_iui​∣Xi​,Wi​] = 0 (selection on
Temaprøve 4
2 timer
LATE=β^Wald=ITT−eLATE = \hat{\beta}_{\text{Wald}} = ITT-eLATE=β^​Wald​=ITT−eE[ui∣Xiu_i | X_iui​∣Xi​] = 0 (betinget gjennomsnittsCIA: E[ui∣Xi,Wiu_i | X_i, W_iui​∣Xi​,Wi​] = 0 (selection onITT: sammenlign tildelte grupper uansett
12

Statistisk presisjon og store utvalg

4 prøver
Temaprøve 1Gratis
2 timer
\displaystyle SE(\hat{\beta}_1) = \frac{\hat{\sigma}}{$\frac{\hat{\beta}_j - \beta_j}{SE(\hat{$Forventningsrett: E[β^\hat{\beta}β^​] =β= \beta=βKI-bredde halveres når n firedobles (pro
Temaprøve 2
2 timer
$\frac{\hat{\beta}_j - \beta_j}{SE(\hat{$Forventningsrett: E[β^\hat{\beta}β^​] =β= \beta=βKI-bredde halveres når n firedobles (pro\displaystyle SE(\hat{\beta}_1) = \frac{\hat{\sigma}}{
Temaprøve 3
2 timer
Forventningsrett: E[β^\hat{\beta}β^​] =β= \beta=βKI-bredde halveres når n firedobles (pro\displaystyle SE(\hat{\beta}_1) = \frac{\hat{\sigma}}{$\frac{\hat{\beta}_j - \beta_j}{SE(\hat{$
Temaprøve 4
2 timer
KI-bredde halveres når n firedobles (pro\displaystyle SE(\hat{\beta}_1) = \frac{\hat{\sigma}}{$\frac{\hat{\beta}_j - \beta_j}{SE(\hat{$Forventningsrett: E[β^\hat{\beta}β^​] =β= \beta=β