主成分回归之后预测_回归分析|笔记整理（B）——主成分回归（下），偏最小二乘回归...

大家好！

上一节我们给主成分回归开了一个头，这一节我们会继续介绍它的有关内容，并且同时会介绍另一种新的回归方法：偏最小二乘回归。这一节的理论性也比较强，主要关注了相关回归的理论上的性质与相关证明。

提供之前的笔记：

我们开始本节的内容。

目录主成分回归(下)主成分的理论性质

主成分回归的理论性质

偏最小二乘回归基本思想与算法

交叉验证

主成分回归(下)

主成分的理论性质

我希望你没有忘记之前我们的内容，页没有忘记什么是主成分。我这里把主成分回归的表示放在这里。

并且有

。

那么主成分有什么比较好的性质呢？在介绍它之前，我们首先需要引入下面这个性质。Proposition 1:

设

，并设

的特征根为

，

为对应的标准正交特征向量。那么对于任意的向量

都有

,

在这之前，我们首先需要介绍矩阵的谱分解。我们知道对于一个特征对

(一个特征根与其对应的特征向量)，有

。因此在这里我们就有

，这样的话，如果我们把

个等式拼在一起，就有

，然后记得

是正交矩阵，所以左右乘上

就可以得到

，写开就是 =

那么根据这个结果，如果你要计算它的Rayleigh商(也就是

，正好数值线性代数也在学这个2333)，那么左右显然要乘上对应的东西，所以有

。虽然

是任意向量，但是注意到这里

是一系列的正交向量。所以我们可以设

，那么代回去就会有

你看上去感觉挺麻烦的，但是你只看乘式的左边两个，你会发现只要

中的

不同，你的这一项就是0。所以实际上只会保留一个

，同理类似的右边也只会保留一个

。最后容易得到这个乘式的结果就是

类似的可以得到

，这样的话你计算的结果其实就是

，这已经很明显了，每一个

其实就是对应特征值

的权重，也就是说这个式子实际上可以写成

的形式，并且还有

的结论。所以这样的话，最大最小值也自然不难得到就是

。

这个命题也是高等代数里的一个很重要的结论。根据矩阵的谱分解，你也不难得到下面的结论

在做了正交变换后，设计矩阵等就会有很好的性质，我们往下看。Proposition 2:

这是上面性质的直接推论。Proposition 3:

这也很容易，注意到

，也就是说矩阵

是相似的。而相似变换是不改变特征根的。

当然了，也就是因为这个，所以相当于可以得到

，也就是说

其实可以用来衡量方差的比例(就是说，

越大，因为和是一定的，所以相当于它在和式中的比例越大，那么自然是说它占方差和的比例越大，我们理解为是它所具有的信息很多)。因此我们称

为第

个主成分

的方差贡献率，而称

为主成分

的累积贡献率。Proposition 4:

与

的相关系数为

你应该没忘记相关系数的公式

。那么注意到

，所以上面的式子就是

。根据矩阵的谱分解，我们可以得到

代入即可。

为什么我们需要

？很简单，因为虽然这样回归可以降维，但是其原本的解释意义就消失了。但是，如果这个相关系数很大那说明什么？就说明

的意义很大程度上可以被

解释。因此它的绝对值大小就刻画了这个主成分的主要意义以及来源。

事实上，通过上面的解释，我们有理由相信它有和之前的方差贡献率相似的性质。那么我们观察一下。首先根据这个结论我们可以得到

，那么我们对它求和，就可以得到

接下来，注意到矩阵的谱分解

，所以实际上如果我们来观察一下它的第

元，就会有

。有没有发现这就和那个和式一模一样了？所以我们就可以得到下面这个结论。Proposition 5:

因此，我们可以实际上使用

来衡量前

个主成分对原始变量

的方差贡献率。它就反映了提取的主成分反映原始变量的程度。

最后还有一个很有趣的结论Proposition 6:

这就是Proposition 4的直接推论。

主成分回归的理论性质

之前我们主要关注的是主成分本身，而之后我们更多会关注回归，也就是回归所对应的一些统计性质。因为这里又会涉及到较多的标记，所以我们会简要重述一下主成分回归的背景。

我们知道原始回归模型为

，其中

是中心标准化之后的设计矩阵。那么显然相关阵就是

。并且我们会设

的特征根为

，对应正交化的标准特征向量为

。我们记

，令

，就会得到典则形式

。

你应该已经熟悉

，而

的对角阵又正好衡量了每一个主成分在多次实验中取值的变化大小(想想为什么？不熟悉的看看第A节的最后)。所以如果某一个特征值很小，就说明对应的主成分的变化很小，那就和常数项没区别了。所以若

，那么只需要把

从模型中剔除掉(也就是直接让估计值为0)，对前

个系数用最小二乘，最后，我们对矩阵分块

，

都是取对应的前

个分块，就可以得到最后的估计

简要重新说了一遍，我们开始介绍它的相关理论部分。Proposition 7:

这里我们注意到上面的公式

因为

实际上是

取了前

列，因此容易得到

，所以代回去就会有

(别忘了特征值和对应特征向量是给

的)

虽然表达式挺复杂，但是我们关注一下中间的部分。注意到

，再把左右两个矩阵相乘可得

所以右边再乘一个

，就可以得到最后我们的结果。

接下来的性质一定程度上揭示了它与岭回归的相似性。Proposition 8:

若

，那么

这很简单，根据上面的表达式可以得到

，而注意到范数的正交不变性(这个技巧我们上一节才用过)，我们有

这个不等式的成因是

显然会给

带来更多的分量，而这显然会使得长度增加。

通过这个性质可以知道，和岭估计类似，主成分估计也是一种压缩估计。同样的，因为这个，所以我们还可以知道下面的性质。Proposition 9:

是有偏估计

最后的性质是有关于均方误差的，和岭回归类似。也奠定了它的应用价值。Proposition 10:

当设计阵病态时，适当选择

可以使得

我们在上一节介绍过

的多元表示，这里我们应用一下，首先注意到新的估计的

中，最后的几个估计量是被人工设置为0的，所以我们有

。

我们注意上一节的公式

，所以在这里，我们容易得到 (估计值没有

这个分量，但是真值当然是有

的)

因为设计阵病态的时候，

很大，这就会导致第二项变成负的，因此这就足够说明结论了。当然了，这个结论一定程度上也说明了，如果设计阵性质很好，那么主成分回归不一定会有良好的效果。

偏最小二乘回归

基本思想与算法

偏最小二乘回归(PLS)其实解决的是一个比较实际的问题：高维数据预测问题。换句话说就是自变量的个数大于观测值的个数。你可能一开始会觉得不可思议，但是在经济学中这是很常见的。

还是从理论上来说，如果有

组数据

，并且满足关系式

一般情况下，我们确实只需要求一个最小二乘回归，估计出

就好。但是在高维意义下，

是不可逆的，所以所有的回归方法其实都失效了。因此我们需要换一种思路。

在上面的这个式子中我们可以看到，归根到底它就是一个多元线性函数。给定

，我们需要确定系数

，然后就可以得到对应的因变量。别忘了我们的目的是为了预测，那么如果我们的函数形式确定下来了，还需要那么多自变量吗？自然就不再需要了。

可能有的人会想到才说的主成分回归。但是其实我们可以看出来它有一个缺陷，就是它归根到底是选择了自变量中最具有代表性的几个，可是和因变量一点关系都没有啊。而偏最小二乘的基本思路就是——考虑与因变量的相关性情况下的最小二乘算法。在这种情况下，

我们用一元的最小二乘举例子，设模型为

，并设有一系列的数据

。注意到在数据做中心标准化之后，对应的参数估计结果其实就是

那么这个是一元的，归根到底我们可以理解为这是

针对自变量

做回归的时候，所得到的最好的结果。那么在多元的情况呢？自然我们照猫画虎，可以考虑用类似的公式

来表示

对每一个单独的自变量

做回归的结果。同样的，你还可以发现它本质上是

的倍数，因此理论来说，我们给每一个对应的这样的估计做线性组合，也就是说和式

就应该是我们想要的。问题在于找一个权。

一个最简单的权是

，因为如果自变量

比较重要，那么它的方差就应该比较大(因为数据已经中心标准化了)，所以我自然希望它的权值大一些。这样的话我们的自变量就变成了

，这也就是我们想要的线性函数。

如果我们设

，那么对应的观测值就是

。这样的话，这个实际上就是一个好的自变量，因为它是原来自变量的线性组合，同时又考虑了与因变量

的相关性。

我们再回头看看，这个式子的每一维都是一元情况下的最小二乘。所以实际上应该包含了很多信息了。但是我们也知道最小二乘还是会有一定的残差平方和，也就是说实际上还没有成功的保留好所有的信息。因此我们的想法就是设置这个新的自变量为我们想要的，然后做残差，这样的话残差就不会包括之前的信息，进而就可以继续按照上面的思路进行迭代。

现在，将

作为自变量，对

回归，可以得到

，这就是使用这个新自变量后得到的新的回归结果，考虑用它做预测，得到 (注意

是一个数)

残差向量也就自然是

。同样的，如果我们将每一个原始的自变量

对

做一次回归，也会得到

以及对应残差向量

。那么这样的话，对应的

就是新的观测数据，类似还可以求得

，最多可以做到

。这些新的自变量就可以用普通的最小二乘做回归。

归根到底，偏最小二乘回归的本质也是找到原始的自变量的一个线性组合，满足它与因变量

也有一定的相关性。找到对应的权重之后，让每一个自变量减去这个权重，一定程度上就相当于去除了这一维度的信息。一直做下去，直到自变量个数达到了目标为止。

注意到，回归方程的本质是因变量在自变量所张成的线性空间上的投影，所以我们如果按照投影矩阵的定义来写出

的投影阵，容易得到

并且容易得到，第

步迭代得到的

就是

在

上的投影。

通过上面这一段话，你应该明白应该如何写出这个算法的代码了。不过下面这个结论告诉我们有一个更简单的思路。Proposition 11:

若

，

，那么有

(这个结论在数值线性代数中会经常提起，我们不再证明)

所以实际上，如果我们按照这样的方法初始化，然后只需要每一步设置

，再对

做普通最小二乘得到

，最后的目标其实就是选择合适的

，因为我们的目的是预测，所以我们并不需要知道

的回归结果是什么，因此这个算法在复杂度上就少了很多。

交叉验证

交叉验证在机器学习中也是非常常用的验证模型好坏的算法。这里我们说的主要是单点交叉验证。也就是说假设我们删除观测值

，这样的话剩下的观测数据我们用

来表示。交叉验证的意思就是——用这些剩下的观测数据来对删除的那个数据做预测。这里显然我们是要验证偏最小二乘回归，所以我们自然使用PLS来做预测。

需要交叉验证的意思是，我们的算法虽然可以做到第

步，但是实际上可能我们并不需要那么多，那么究竟在到达第

步之前，哪一步结果是最好的，其实是有待商榷的。因此交叉验证的思想就被用在这里帮助我们选择模型了。

我们在上面说，去掉第

组观测数据做一次交叉验证，就会在第

组数据上产生一个残差

。所以我们一般用式子

来反映第

步预测方程的好坏。当然了，选择的原则自然是使得这个值最小了。

到此，我们算是结束了偏最小二乘回归的内容。

小结

这一节我们主要关注的是两种回归方法——主成分回归和偏最小二乘回归。这两种方法的目标都是为了降维，但是出发点有所不同。实际的操作中，也没有定论中一定有一种方法是比另一种更好的，所以在真正需要对数据做统计分析的时候，还是需要对各种方法都有所了解才行。

——————————————————————————————————————

本专栏为我的个人专栏，也是我学习笔记的主要生产地。任何笔记都具有著作权，不可随意转载和剽窃。

个人微信公众号：cha-diary，你可以通过它来有效的快速的获得最新文章更新的通知。

想要更多方面的知识分享吗？欢迎关注专栏：一个大学生的日常笔记。我鼓励和我相似的同志们投稿于此，增加专栏的多元性，让更多相似的求知者受益~