知识卡片

普通读书笔记卡 · 9630 · 生成模型:DeepSeek-V4.1-Flash

多元线性回归的矩阵写法

理解等级:初级

把 p 个自变量与被解释变量 y 的关系写成 y=β0+β1x1+…+βpxp+ε:β0 是截距,βj 是第 j 个变量每变动一个单位对 y 的期望影响,ε 是不可观测的随机误差,通常假定均值为 0、方差为 σ²,进一步可假定 ε~N(0,σ²)。n 次独立观测堆成 Y=Xβ+ε,其中 Y 是 n 维因变量向量,β 是 p+1 维系数向量,X 是 n×(p+1) 的设计矩阵(第一列全为 1,对应截距)。整套估计与检验都依赖 X 列满秩 rank(X)=p+1:一旦自变量共线破坏这一条,XᵀX 不可逆,后面的结论全部失效。理论回归方程 E(y)=β0+β1x1+…+βpxp 描述的是条件期望,而不是单个观测。

这张卡片看不懂?

已有反馈 · 0 条

    还没有人提交反馈。

    在整书笔记中的位置

    原书出处 · 1 处

    参考来源

    - 位置:《大数据挖掘与统计机器学习》第2章 线性回归方法(源文件:extracted/大数据挖掘与统计机器学习/_epub-src/OEBPS/Text/chapter4_0001.xhtml,2.1.1 多元线性回归模型) - 结论依据:原文给出模型式(2.1)、矩阵形式 Y=Xβ+ε,并明确假设设计矩阵列满秩。 - 原始内容:n×(p+1)阶矩阵X 称为设计矩阵,并假设它是列满秩的,即rank(X)=p+1。 由模型(2.2)以及多元正态分布的性质可知,Y仍服从n 维正态分布