[机器学习]论文笔记-The Gauss-Markov Theorem and Random Regressors

论文笔记-The Gauss-Markov Theorem and Random Regressors

论文信息

文章名称：The Gauss-Markov Theorem and Random Regressors

文章作者：Shaffer, Juliet Popper

收录情况：The American Statistician, Nov, 1991, Vol. 45, No. 4, pp. 269-273

文章链接：https://doi.org/10.1080/00031305.1991.10475819

简要总结

1.论文目的
- 对传统高斯-马尔可夫理论中关于线性回归中自变量$X$当作随机样本后的情况进行了讨论

2.论文方法
- 利用条件概率对估计系数$\beta$进行了条件无偏、非条件无偏进行了讨论

3.论文结论
- 在非条件无偏下，传统的线性回归理论中得到的估计系数$\hat{\beta }$可能并不满足UMVUE的性质。

论文讲解

1.1 传统线性回归的结论和假设

传统线性回归的假设和结论

在高斯-马尔可夫定理中，关于变量$X$的假设是非随机的，只有在这样的前提下，才能得到$\hat{\beta }$是最优线性无偏估计量(BLUE)。

1.2 当将$X$作为随机样本分析时，之前的假设会发生改变

自变量拥有随机性的前提后的新的条件假设

如果$X$为随机样本时，之前关于$Y$的假设统统变成了条件假设

变量$X$除了其为连续性的（因为是从样本中采样得到的$X$，你无法说明$X$一定就是连续的），和$X$为一个非退化的矩阵（防止其为奇异阵而无法进行求逆等运算）的假设，其是任意的。

变量$Y$只有关于等式(2)的限制，其也为任意的。

此时我们要寻找关于 y y