Answers:
在经典多元线性回归的背景下,我们有以下模型:
其中代表自变量,代表多个响应变量,是iid高斯噪声项。噪声的均值为零,并且可以在响应变量之间建立关联。权重的最大似然解等效于最小二乘解(不考虑噪声相关性)[1] [2]:ÿ ε
这等效于为每个响应变量独立解决一个单独的回归问题。这可以从以下事实看出:第列(包含第个输出变量的权重)可以通过将乘以第th列(包含第个响应变量的值)。β我(X Ť X )- 1 X Ť我ÿ 我
但是,多元线性回归不同于单独解决单个回归问题,因为统计推断程序考虑了多个响应变量之间的相关性(例如,参见[2],[3],[4])。例如,噪声协方差矩阵显示在采样分布,测试统计数据和间隔估计中。
如果我们允许每个响应变量具有自己的一组协变量,则会出现另一个差异:
其中表示第个响应变量,而和表示其对应的协变量和噪声项集。如上所述,噪声项可以在响应变量之间相关。在这种情况下,存在比最小二乘方更有效的估计器,并且不能简化为为每个响应变量解决单独的回归问题。例如,请参见[1]。我X 我ε 我
参考文献