更新时间：2019.10.31
1. 引言
无论是统计学还是机器学习，我们最先接触的模型（统计中的参数模型，机器学习中的有监督学习）都是线性模型，一个是因为它“简单”，另一个是因为它是其他许多模型的一个衍生基础，这也是为什么实际生活中虽然大多数都是非线性的，而我们还是要学习线性模型的原因。
我最初学习线性模型，觉得线性模型不就是一条直线吗，这很简单啊
。然而，这毕竟是一堆天才研究了许多年才出来的东西，这肯定是没有想象中的简单，虽然它的思想确实简单
。实际上，有很多模型都可以看做是线性的（即可以写成(Y = Xeta + varepsilon)的形式），虽然它们画出来可能是一条曲线，例如像对数线性回归(log(y) = eta_0 + eta_1x)，多项式回归(y = eta_0 + eta_1x + eta_2x^2)，还有回归解释变量中含有哑变量（定性变量）的情况，回归样条的情况等等都可以看做是线性模型，而这一类模型也被称为广义线性模型。
对于线性模型我们通常采用最小二乘法来计算，当然这不是说这种方法是最好的。但基于历史的原因，由于以前计算资源的匮乏，手算各种复杂的模型基本是行不通的，但是基于最小二乘法的线性模型的参数估计是有明确表达式的，并且具有优良的统计性质。
最后，我将分成三篇以三种不同的角度（分别是损失函数、似然函数和贝叶斯估计）来分析线性模型的(eta)和(sigma)这两个参数的估计。而在本篇，是从损失函数的角度出发。
2. 从三个层面来看线性模型
我们先从总体(理论)，样本(随机变量)和数据三个层面来观察一下一般的线性模型：
2.1 总体层面
从理论层面上看（无数据）有：
其中，(Y)称为响应变量或因变量，(X_i)为预测变量/解释变量/自变量，(varepsilon)为随机误差变量。在这里，我们可以把((X_1, X_2, cdots , X_{p-1}, Y))看做是一个总体,从理论层面上来观测整一个模型。
2.2 样本层面
假设有((X_{11}, X_{21}, cdots , X_{p-1,1}, Y_1),quad(X_{12}, X_{22}, cdots , X_{p-1,2}, Y_2),quadcdots,quad(X_{1n}, X_{2n}, cdots , X_{p-1,n}, Y_n))等n个样本，实际上样本也是一个随机向量，那么对于第一层面，我们就可以改写成：
将上述模型写成矩阵的形式，其中(X)被称为设计矩阵
2.2.1 Guass-Markov假设
因为我们知道随机变量是可以求期望，求方差的。而在统计中，线性模型是基于诸多主观假定的，其中我们常用的的假定是Guass-Markov假设。它主要假定了随机误差的期望是0，并且同方差，都是(sigma^2)，此外随机误差之间都是无关的。
将Gauss-Markov假设写成表达式的形式：
- (D(varepsilon_i) = sigma^2)
- (cov(varepsilon_i) = 0)
- (E(varepsilon_i) = 0)
其中，如果将假设1和2进行合并，我们就可以将假设简化为
- (cov(varepsilon) = sigma^2I_n)
- (E(varepsilon_i) = 0)
其中，(cov(varepsilon))是指随机误差向量的协方差阵，(I_n)是(n*n)维的单位矩阵。此外，我们在做线性模型的时候，通常都是假设解释变量(X_i)之间是无关的
2.2.2 均值向量
当我们固定X（即相当于知道它的数值）的时候，结合Guass-Markov中(E(varepsilon_i) = 0)的假设，我们可以求得固定(X)下(Y)的条件期望应该为(Xeta)，而实际上(Xeta)是我们的理论拟合值(hat Y)。因此，我们也把线性回归称为均值回归.
其中，(E(varepsilon))为零向量
2.2.3 X固定下Y的分布
实际上，因为X是固定的，(eta)是虽是未知参数，但也是固定的。因此, 有
说白了，就是(Y)满足一个均值为(Xeta),方差为(sigma^2I_n)的一个多维分布(F_n(Xeta, sigma^2I_n))，(Y_i)满足一个均值为(X_ieta),方差为(sigma^2)的分布(F(X_ieta, sigma^2))
用图来直观的表示：
而当对(varepsilon)加上一个正态性的假设的时候，就能够得到随机误差向量(varepsilon)和(Y)满足多维正态分布(varepsilon sim N(O, sigma^2I_n))和(Y sim N(Xeta, sigma^2I_n))
2.3 数据层面
当我们给定观测值 ((x_{11}, x_{21}, cdots , x_{p-1,1}, y_1),quad(x_{12}, x_{22}, cdots , x_{p-1,2}, y_2),quadcdots,quad(x_{1n}, x_{2n}, cdots , x_{p-1,n}, y_n))，我们可以将(Y)、(X)、(eta)、(varepsilon)表示成：
此时，模型仍可以写成(Y = Xeta + varepsilon)，可是可以通过实际的数值估计出(eta)的值
2.4 其他
机器学习中有时也写成向量的形式(f(x) = w^Tx+b)，将截距和其他回归参数分开，但其实是没有本质的区别的。
3. 基于损失函数的估计
下面主要是从随机变量的层面出发来继续深入讨论线性模型，
在数学和计算机领域中，通常是使用损失函数来进行参数的估计，也可以说是模型的拟合。而值得注意的是，我们上述采用了的Guass-Markov假设，在参数(eta)的估计是不需要用到的，这只是在我们之后的检验中需要使用到。但是我们不能说参数(eta)的估计和我们给定的假设没有一点关系，实际上根据不同的假设，我们选定的损失函数也是不同的。这一点，我会在第二篇“基于似然函数的估计”中提到。
先来谈一下基于损失函数估计的原理：
- 定义模型中第(i)个残差为：(e_i = y_i - hat y_i)，整个残差向量就可以写成：(e = Y - hat Y)，其中，(hat Y)是拟合结果。
- 主观选择一个损失函数的形式：( ho(e_i))，又因为损失函数应该是包含待估参数(eta)，因此损失函数又可以写成是(L(eta))
- 利用损失函数最小化得到参数的估计：(hat eta = underset{eta}{arg min} hspace{1mm} ho(e_i) = underset {eta}{arg min} hspace{1mm} L(eta))，这一串长长的公式是说使得损失函数最小的变元(eta)就是我们所要的估计参数(hat eta)
3.1 二次损失
在做线性模型的时候，我们最常使用的是基于二次损失函数的最小二乘法，定义二次损失函数有：(sum_{i=1}^n e_i^2) ，根据我们上面所说的均值回归，以矩阵的形式有：
egin{equation}
egin{cases}
L(eta) = sum_{i=1}^n e_i^2 = sum_{i=1}^n(y_i - hat y_i)^2\
\
hat Y = Xeta
end{cases}
=> sum_{i=1}^n (y_i - X_ieta)^2 = (Y - Xeta)^T(Y - Xeta)
end{equation}
进一步化简有（其中，(Y^TXeta)是一个数）：
要使损失函数最小化就是对损失函数求导，取到它的最小值（而这个损失函数是一个凸函数）
- tips：值得注意的是，下文中有提到(hat Y = Xhat eta)，严格来说上面提到的(hat Y)是真实的拟合值，而下文提到的(hat Y)是预测的拟合值
3.1.1 损失函数是最小的
在求导之前，我们先思考一个问题，为什么(sum_{i=1}^n (y_i - X_ieta)^2)是最小的（即为什么不选择其他(sum_{i=1}^n (y_i - ?)^2)，为什么前面的要小于等于(sum_{i=1}^n (y_i - ?)^2)）。实际上，这就相当于对于(E(X - ?)^2)来说，当?取什么时，这个式子达到最小。而我们知道，当?是(X)的期望(E(X))，这个式子就能达到最小。同理（求和和期望只是差了一个系数），对于(sum_{i=1}^n (y_i - ?)^2)）来说，当?是(Y_i)的期望(E(Y_i))，这个式子就能达到最小，而这个(E(Y_i))恰好是(X_ieta)，也就是(hat Y_i)实际上是这组数据中，(Y)的均值。这样也就保证我们选择的损失函数是在这种二次形式中是最好。
3.1.2 损失函数最小化
下面对损失函数进行求导：
egin{equation}
egin{split}
frac {mathrm{d}L(eta)}{mathrm{d}eta} & = frac {mathrm{d} Y^TY - 2Y^TXeta + eta^TXeta}{mathrm{d} eta}\
& = 0 - 2X^TY + 2X^TXeta
end{split}
end{equation}
令(frac {mathrm{d}L(eta)}{mathrm{d}eta} = 0)，有：
egin{equation}
0 - 2X^T Y + 2X^TXeta = 0 => hat eta =
egin{cases}
(X^T X)^{-1} X^TY, & (X^TX)可逆 \
\
(X^T X)^- X^TY, & (X^TX)不可逆
end{cases}
end{equation}
正如之前提到的，我们通常假定解释变量(X_i)是无关的（即列满秩），此时便有((X^TX))可逆(因为(Ax=0)和(A^TAx=0)是同解方程组，所以可以证出(r(A)=r(A^TA))的)，所以通常将待估参数表示为(hat eta = (X^TX)^{-1}X^TY)
从上述的步骤中，我们是可以看到做估计的时候没有用到Guass-Markov的假设。而在数学和机器学习中，有时也就直接使用参数估计后的模型进行测试，然后求出它的均方误差，并没有对这个估计量做检验。而实际上，(hat eta)是最佳的线性无偏估计，说它最佳是因为它方差是最小的（检验估计量的有效性中将会提到）。
最后值得一提的是，上面所述的二次损失形式其实是基于方差齐性(cov(varepsilon)=sigma^2I_n)的假设，当我们改变这个假设的时候，二次损失的将会有所不同，这个我会在第二篇“基于似然函数的估计”中会进一步提到。
3.2 其他损失函数
既然提到了二次损失，在这里也提一下其他的一些损失函数
3.2.1 最小绝对损失
定义为：(L(eta) = sum_{i=1}^n |y_i - x_ieta|)，也叫一次损失
此外，对于(E(|y_i - ?|))，当？取中位数的时候，这个损失函数是最小的，所以有时也称为最小中位估计。而由于中位数比平均数要稳健，所以对比二次损失，绝对损失对异常点不敏感。当然这里，当我们假定(varepsilon)是服从均值为0的正态分布的时候，(Xeta)实际上也是固定X下Y的中位数
3.2.2 huber函数
huber函数主要是用于稳健回归的，其中绝对损失其实就是huber函数的一个特例，它的图像如下：
可以看见当u到一定程度的时候，它的损失是呈水平的，而异常点是指那些远离理论拟合值的观测点，即指u很大的点，这一说明了huber函数的稳健（对异常点不敏感）。当然huber函数也存在一定的缺陷，像多一个参数k，还有不光滑的部分。
3.2.3 分位回归的损失
定义为：(L(eta) = sum_{i=1}^n e_i( au - I(e_i < 0)))，其中I()是指示函数，(0 < au < 1)。上面所述的都是对称的损失函数，但是分位回归的损失函数是不对称的，实际上不对称带来的影响会左右曲线的拟合，这时就需要使用分位回归的损失。
正如下面这个图所示：
实际上，绝对损失同样也可以看做是分位回归的损失函数的一个特例，当( au)取0.5时，两者实际上就差了一个常数。
4. 估计量(hat eta)的检验
谈过估计之后，继续谈一下估计量(hat eta)的检验，而实际上这个估计是最佳线性无偏估计
4.1 估计量的评价标准
估计量的评价标准主要有三个，无偏性、有效性、一致性。以这里的(hat eta)为例，
- 无偏性指的是估计量的期望等于参数的真实值，即(E(hat eta) = eta)，其中(eta)实际上是一个随机向量，因为X是固定的，而Y是随机向量。
- 有效性是指在诸多无偏估计中，方差最小的那一个估计量。
- 一致性是描述当样本容量无穷时，估计量限接近参数的真实值，即(n-> + infty, hat eta -> eta)，表示成数学语言就是(P underset{n-> + infty}(|hat eta - eta| < varepsilon) = 1)。
在这之中，一致性是最容易满足的，其次是无偏性，最后才是有效性。在这里，只讨论无偏性和有效性
4.2 无偏性
讨论这个估计是否是无偏估计
4.3 有效性
经过上面的证明，我们可以得到：
其中，记(H = X(X^TX)^{-1}X^T)，且称(H)为帽子矩阵，这个帽子矩阵有优良的性质，是一个幂等对称矩阵。即有(H^T = H)、(H^2 = H)。此外，也把(H)称为投影矩阵，即可以将随机向量(Y)投影到(X)的超平面上。
再来看一幅图
我们知道当垂直时，线段到平面的距离是最短的。即当(HYperp(I_n - H)Y)时，残差(e)是最小的，这也直观地证明这个估计是方差最小的（因为残差(e)是方差的一个度量），因此我们也称这个估计(hat eta)是一切线性无偏估计中方差最小的。
既然(hat eta)是最小的，那么下面来推导下它的方差究竟是多少
egin{equation}
egin{split}
cov(hat eta) & = cov((X^T X)^{-1} X^T Y)\
& = (X^T X)^{-1} X^T cov(Y) X (X^T X)^{-1}\
& = (X^T X)^{-1} X^T sigma^2 I_n X (X^T X)^{-1}\
& = sigma^2 (X^T X)^{-1}
end{split}
end{equation}
因此，根据(hat eta_i)的协方差，我们可以得到(hat eta_i)的标准误差为：
在这里，我们终于见到了假设中的(sigma)(同方差)，而这正也说明了我之前所说的估计(eta)不用假设，但是检验的时候就需要用到
5. (sigma^2)的估计
虽然算出了(hat eta_i)的标准误差，但是它表达式中的(sigma)实际上是一个未知参数，下面对其进行估计。我们知道方差是指偏离平均水平的程度，因此我们很自然地想到使用(frac{displaystyle sum_{i=1}^n(y_i - hat y_i)^2}{n})来估计，即使用(frac{displaystyle sum_{i=1}^n(e_i)^2}{n})来估计，因为我们之前说过(hat Y)是X固定下Y的平均水平。因此，有
egin{equation}
egin{split}
displaystyle sum_{i=1}^n (e_i)^2 & = e^T e\
& = Y^T(I_n - H)^T(I_n - H)Y \
& = Y^T(I_n - H)Y
end{split}
end{equation}
其中，由于(H)是幂等对称阵，所以((I_n - H))实际上也是幂等对称阵。
下面给出两种证法：
证法1：
egin{equation}
egin{split}
E(Y^T(I_n - H)Y) & = E(tr(Y^T (I_n - H)Y))\
& = E[tr(YY^T (I_n - H))]\
& = tr[(I_n - H)E(YY^T)]\
& = tr(I_n - H)[cov(Y) + E(Y)E(Y)^T]\
& = tr(I_n - H)[sigma^2I_n + Xeta eta^T XT]\
& = (n-p)sigma^2 + tr[(I_n - H)Xeta eta^T XT]\
& = (n-p)sigma^2 + tr[(I_n - X(X^T X)^{-1} X^T)Xeta eta^T XT]\
& = (n-p)sigma^2
end{split}
end{equation}
证法2：
egin{equation}
egin{split}
E(Y^T(I_n - H)Y) & = E(tr(Y^T(I_n - H)Y))\
& = E(Y^T)(I_n - H)E(Y) + tr((I_n - H)cov(Y))\
& = eta^T X^T(I_n - H)Xeta + (n-p)sigma^2\
& = eta^TX ^T(I_n - X(X^T X)^{-1} X^T)Xeta + (n-p)sigma^2\
& = (n-p)sigma^2
end{split}
end{equation}
其中，由于帽子矩阵的是幂等阵，所以特征值只有0或者1，设有p个特征值为1，因此(I_n - H)有n-p个特征值为1，即(tr(I_n - H) = n-p)。实际上，当X列满秩的时候，有(tr(H) = tr(X(X^TX)^{-1}X^T) = tr(X^TX(X^TX)^{-1}) = tr(I_p) = p)，因此可以看出H的秩等于(X)的维数，也等于(X)的变量个数加上常数。在这里，我们也更加清楚，为什么我们要假设解释变量(X_i)都是无关的。
由上面的推导过程可以看出，(sigma^2)的无偏估计应该是(frac {displaystyle sum_{i=1}^n e_i}{n-p})，将残差平方和(displaystyle sum_{i=1}^n e_i)记为(SSE)，并且记均方误差为(MSE)，即有：
其中(p)为变量个数加上常数个数（即设计矩阵(X)的维数）
6. 估计量的区间估计
上面是做的估计都是点估计，下面谈谈怎么做区间估计
我们的目标是找到(ar eta)和(underline eta)，使得
为了实现这一目标，我们来构造含未知参数(eta)的枢轴量
对于(eta_i)，我们可以对它进行标准化，有：
此外，我们考虑(frac{hat sigma}{sigma})
其中，(displaystyle sum_{i=1}^n (frac {y_i - hat y_i}{sigma})^2 sim chi^2(n-p))
将上述(I)和(II)结合起来，有
即有区间估计，(eta_i underline + t_{1 - frac{alpha}{2}}(n-p) hat{st.dev}(hat eta))
7. 结语
虽然最小二乘法的估计有明确的表达式，但是实际用计算机来拟合模型的时候，都不是直接用它估计的表达式来计算的，而是使用梯度下降的方法来加快收敛速度。在李航那本经典的小蓝书，有提到到统计学习方法的三要素分别是：模型、策略和算法。对应这里实际上就是，模型是指线性模型，策略是指损失函数最小，而算法就是计算机实现这一模型的方法，也就是梯度下降算法。