Это шкала, на которой вдобавок к признакам интервальной шкалы присутствует точка отсчета (абсолютный «0»), т.е. есть возможность сравнения не только "на сколько одна величина больше (меньше) другой", но и «во сколько раз».
Примеры пропорциональных шкал: шкала абсолютных температур по Кельвину, заработная плата, стаж работы.
Это наиболее совершенные шкалы, допускающие все арифметические операции. В них (как и в интервальных) имеют смысл все итоговые статистики. Эквивалентом числового нуля в них является отсутствие соответствующего свойства у объекта.
Замечание. Следует отметить, что рассмотренные выше шкалы приведены в порядке их усложнения (совершенства). Менее совершенные шкалы включают в себя более совершенные. Например, шкала отношений является фактически шкалой интервалов с абсолютным нулем.
Иногда выделяют отдельно еще и бинарную шкалу, в которой переменные принимают только 2 значения (0 и 1) и которая по своей сути может быть интерпретирована как любая из вышеперечисленных шкал.
По возможности экономические измерения и вычисления необходимо производить в более совершенных шкалах, что, как правило, повышает точность исследований. Однако, в отличие от физико-математических, технических и других «точных» наук, вычисления в экономике практически затруднительно провести без существенных погрешностей. Это не значит, что исследования не нужно производить вообще. Это значит, требуется поиск более совершенных методов, методик, моделей и средств, позволяющих достичь приемлемой точности в исследованиях.
4. Основные допущения регрессионного анализа:
Любая модель (физическая, математическая, экономическая и т.п.) – это в той или иной степени упрощение, идеализация явлений, событий, объектов реального мира. Поэтому при их построении принимаются допущения (гипотезы, предпосылки) – некие идеальные условия, при которых соответствующая модель адекватно описывает действительность. Нарушение того или иного допущения может привести к значительной неточности, неадекватности полученной модели. Это не всегда значит, что данной моделью пользоваться нельзя. Надо лишь учитывать, что точность модели может пострадать. Возможно, при другом наборе допущений необходима и другая модель.
Допущения:
1. Спецификация модели (конкретный вид зависимости)
.
Конкретный вид функции выбирается исследователем индивидуально для конкретной задачи, исходя из формы поля корреляции, экономических, технических и т.п. соображений, величин соответствующих характеристик точности и значимости различных моделей.
2. Распределение случайного элемента не зависит от объясняющих переменных 
. Чаще используется более «сильное» требование: нестохастичность (неслучайность, детерминированность, заданность заранее) значений всех объясняющих переменных 
:
, (
, 
).
При отсутствии случайности в значениях 
зависимость попросту становится функциональной. Требование детерминированности 
в экономической практике часто довольно нереалистично, т.к. объясняющие переменные зачастую сами определяются из других зависимостей. Кроме того, экономические расчеты редко удаётся повторить вновь с теми же значениями объясняющих переменных.
3. а) Несмещенность ошибок всех наблюдений
(1-е условие Гаусса-Маркова):
, (
).
Иначе: отсутствие систематических ошибок (завышения или занижения результата).
Визуально: линия регрессии на графике должна проходить точно посередине поля корреляции на каждом диапазоне объясняемой переменной.
б ) Постоянство дисперсии ошибок всех наблюдений
(2-е условие Гаусса-Маркова):
, (
).
Иначе: разброс объясняемой переменной 
относительно своего среднего значения при различных значениях конкретной объясняющей переменной 
должен быть постоянен. В противном случае оценки могут стать неэффективными и может наблюдаться явление гетероскедастичности.
Визуально: облако поля корреляции должно представлять собой как бы воображаемую полосу постоянной ширины.
в) Некоррелированность ошибок разных наблюдений
(3-е условие Гаусса-Маркова):
, (
).
Иначе: различные значения объясняемой переменной должны быть абсолютно независимыми друг от друга. Между ними не должно быть систематической связи в разных наблюдениях. В противном случае оценки регрессии могут стать неэффективными и может наблюдаться явление автокорреляции. Нарушение этого требования особенно характерно для временных рядов, где более ранние наблюдения часто некоторое время заметно влияют на последующие.
Визуально: в соседних наблюдениях поля корреляции не должна быть заметна периодичность – «волны».
г) Нормальное распределение ошибок всех наблюдений:
.
Это дополнительное требование, основанное на центральной предельной теореме: случайная величина распределена нормально тогда, когда она является результатом взаимодействия большого числа не связанных друг с другом случайных факторов, среди которых нет доминирующего. Это требование в экономических задачах часто выполняется автоматически.
Для множественной регрессии добавляется ещё одно допущение.
4. Некоррелированность объясняющих переменных между собой:
, (
).
Это требование на практике обычно трудно выполнить: в природе и обществе многие факторы так или иначе взаимосвязаны. Желательно, чтобы в модели были только факторы, которые минимально коррелируют друг с другом. Нарушение условия может существенно снизить точность модели и вызвать явление мультиколлинеарности.