簡稱線性模型,是數理統計學中研究變數之間關係的一種模型,其中未知參數僅以線性形式出現。主要包括線性回歸分析、方差分析和協方差分析。
線性回歸模型是最簡單的線性模型。以x1,x2,…,xkk記自變量,
![](/img3/11182.gif)
![](/img3/11183.gif)
![](/img3/11184.gif)
![](/img3/11183.gif)
![](/img3/11185.gif)
![](/img3/11186.gif)
![](/img3/11187.gif)
![](/img3/11188.gif)
![](/img3/11189.gif)
![](/img3/11190.gif)
![](/img3/11191.gif)
![](/img3/11192.gif)
線性模型(3)的統計性質取決於對隨機誤差向量ε所作的假定。一般總假定 E(ε)=0,若再加上協方差矩陣(見矩)cov(ε)=σ2In(In為n階單位陣,σ2>0為未知的誤差方差),則(3)稱為高斯-馬爾可夫模型。這是高斯在19世紀初引進的最小二乘法成為線性模型統計分析的重要工具,而俄國數學傢Α.Α.馬爾可夫在20世紀初完成瞭這種模型的奠基工作。若進一步假定ε服從n維正態分佈N(0,σ2In),則(3)稱為正態線性模型。
模型(3)的統計問題,就是關於β和σ2的統計推斷問題。特別重要的是關於β的線性函數CTβ的估計和檢驗問題。關於β本身的估計,通常用最小二乘法,即尋找圅,使
![](/img3/11193.gif)
![](/img3/11194.gif)
![](/img3/11195.gif)
![](/img3/11196.gif)
關於回歸系數β的估計理論的一個基本結果,是高斯-馬爾可夫定理:若(3)為高斯-馬爾可夫模型而CTβ可估,則在CTβ的一切線性無偏估計中,CT圅是惟一的方差一致最小者。在正態模型下,可進一步證明,它是一切無偏估計(不限於線性)中方差一致最小者。若X的秩為r(<n),則誤差方差σ2的一個無偏估計是
![](/img3/11197.gif)
![](/img3/11198.gif)
在自變量之值可由實驗者選定時,存在著設計問題,即怎樣選擇設計矩陣X。在回歸分析中,有一個主題叫回歸設計,它討論怎樣選取適當的X,使圅具有某種優良的性能。在方差分析中,X的選擇更為重要,通常,實驗設計法就是專指這種情況下X的選擇問題。
線性模型在實用上有重要意義。在理論方面,近年來也有不少新發展:在對β的估計上,發展瞭有偏估計、穩健估計、非參數估計及序貫估計等方法;β和σ2的估計的容許性問題得到瞭較深入的研究;另外,在大樣本理論方面取得瞭廣泛而深入的結果。
參考書目
C.R.Rao,Linear Statistical Inference and Its Applications,2nd ed.,John Wiley &Sons,New York,1973.
V.V.Fedorov,Theory of OptiMal Experiments,Academic Press,New York,1972.