知识卡片

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

高斯-马尔可夫定理

理解等级:高级

只要 E(Y)=Xβ、D(Y)=σ²I,β 的任一线性函数 Cᵀβ 的最小方差线性无偏估计(BLUE)就是 Cᵀβ̂,C 为任意 p+1 维常向量。这条定理的关键在于它不要求误差服从正态:正态假定只用于 t 检验、F 检验和区间估计,而“最小二乘在所有线性无偏估计中方差最小”只需要一、二阶矩条件。换言之,即使残差明显非正态,β̂ 仍是最优的线性无偏选择,只是显著性检验要另找依据(大样本近似或自助法)。它同时划出了边界:岭回归、Lasso 要想胜出,必须放弃无偏性,用偏差换更小的方差。

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:原文性质 5 即 Gauss-Markov 定理,条件只写 E(Y)=Xβ 与 D(Y)=σ²In,且说明 BLUE 为 Cᵀβ̂。 - 原始内容:性质5 (Gauss-Markov定理)假定E(Y)=Xβ, D(Y)=σ2 I n 时,β的任一线性函数C Tβ的最小方差线性无偏估计(BLUE)为