自动控制： 最小二乘估计（LSE）、加权最小二乘估计（WLS）和线性最小方差估计

自动控制： 最小二乘估计（LSE）、加权最小二乘估计（WLS）和线性最小方差估计

在数据分析和机器学习中，参数估计是一个关键步骤。最小二乘估计（LSE）、加权最小二乘估计（WLS）和线性最小方差估计（LMMSE）是几种常见的参数估计方法。这篇博客将详细介绍这些方法及其均方误差（MSE）的计算，并通过Python代码实现这些方法。

1. 最小二乘估计 (LSE)

公式与推导

给定一个线性模型：
$$y=X\beta +ϵ$$
其中：

• $y$ 是观测向量，
• $X$ 是设计矩阵，
• $\beta$ 是待估计的参数向量，
• $ϵ$是误差向量，假设其服从正态分布，均值为零，协方差矩阵为${\sigma }^{2}I$。

最小二乘估计是通过最小化残差平方和来估计参数$\beta$：
$${\hat{\beta }}_{\text{LSE}}=(X^{T}X{)}^{-1}{X}^{T}y$$

均方误差 (MSE)

均方误差定义为：
$$\text{MSE}=\mathbb{E}\left[(\beta -\hat{\beta }{)}^T(\beta -\hat{\beta })\right]$$

对于最小二乘估计，均方误差为：
$${\text{MSE}}_{\text{LSE}}={\sigma }^2\text{tr}\left((X^{T}X{)}^{-1}\right)$$

2. 加权最小二乘估计 (WLS)

公式与推导

当观测值有不同的方差时，使用加权最小二乘估计。假设误差向量 $ϵ$ 的协方差矩阵为$\Sigma$，加权最小二乘估计为：
$${\hat{\beta }}_{\text{WLS}}=(X^T{\Sigma }^{-1}X{)}^{-1}{X}^T{\Sigma }^{-1}y$$

均方误差 (MSE)

加权最小二乘估计的均方误差为：
$${\text{MSE}}_{\text{WLS}}={\sigma }^2\text{tr}\left((X^T{\Sigma }^{-1}X{)}^{-1}\right)$$

3. 线性最小方差估计 (LMMSE)

公式与推导

线性最小方差估计考虑了观测误差和先验信息。假设 $\beta$ 是一个随机向量，均值为 ${\mu }_{\beta }$，协方差矩阵为 ${\Sigma }_{\beta }$，误差$ϵ$ 的协方差矩阵为 ${\Sigma }_{ϵ}$。LMMSE的公式为：
$${\hat{\beta }}_{\text{LMMSE}}={\Sigma }_{\beta }{X}^T(X{\Sigma }_{\beta }{X}^T+{\Sigma }_{ϵ}{)}^{-1}y$$

均方误差 (MSE)

LMMSE的均方误差为：
$${\text{MSE}}_{\text{LMMSE}}={\Sigma }_{\beta }-{\Sigma }_{\beta }{X}^T(X{\Sigma }_{\beta }{X}^T+{\Sigma }_{ϵ}{)}^{-1}X{\Sigma }_{\beta }$$

示例代码

下面的Python代码展示了如何计算LSE、WLS和LMMSE以及相应的均方误差。

import numpy as np
import matplotlib.pyplot as pltdef compute_LSE(X, y):# 最小二乘估计beta_hat_LSE = np.linalg.inv(X.T @ X) @ X.T @ yreturn beta_hat_LSEdef compute_WLS(X, y, Sigma):# 加权最小二乘估计Sigma_inv = np.linalg.inv(Sigma)beta_hat_WLS = np.linalg.inv(X.T @ Sigma_inv @ X) @ X.T @ Sigma_inv @ yreturn beta_hat_WLSdef compute_LMMSE(X, y, mu_beta, Sigma_beta, Sigma_epsilon):# 线性最小方差估计Sigma_beta_XT = Sigma_beta @ X.Tinv_term = np.linalg.inv(X @ Sigma_beta_XT + Sigma_epsilon)beta_hat_LMMSE = mu_beta + Sigma_beta_XT @ inv_term @ (y - X @ mu_beta)return beta_hat_LMMSEdef compute_MSE_LSE(X, sigma):# LSE的均方误差MSE_LSE = sigma ** 2 * np.trace(np.linalg.inv(X.T @ X))return MSE_LSEdef compute_MSE_WLS(X, Sigma, sigma):# WLS的均方误差Sigma_inv = np.linalg.inv(Sigma)MSE_WLS = sigma ** 2 * np.trace(np.linalg.inv(X.T @ Sigma_inv @ X))return MSE_WLSdef compute_MSE_LMMSE(X, Sigma_beta, Sigma_epsilon):# LMMSE的均方误差term = Sigma_beta @ X.T @ np.linalg.inv(X @ Sigma_beta @ X.T + Sigma_epsilon)MSE_LMMSE = np.trace(Sigma_beta - term @ X @ Sigma_beta)return MSE_LMMSE# 示例数据
np.random.seed(0)
n = 100
p = 5
X = np.random.randn(n, p)
beta_true = np.random.randn(p)
y = X @ beta_true + np.random.randn(n)# 计算LSE
beta_hat_LSE = compute_LSE(X, y)
print("LSE:", beta_hat_LSE)# 计算WLS
Sigma = np.diag(np.random.rand(n))  # 假设误差的协方差矩阵为对角矩阵
beta_hat_WLS = compute_WLS(X, y, Sigma)
print("WLS:", beta_hat_WLS)# 计算LMMSE
mu_beta = np.zeros(p)
Sigma_beta = np.eye(p)
Sigma_epsilon = np.eye(n)
beta_hat_LMMSE = compute_LMMSE(X, y, mu_beta, Sigma_beta, Sigma_epsilon)
print("LMMSE:", beta_hat_LMMSE)# 计算均方误差
sigma = 1
MSE_LSE = compute_MSE_LSE(X, sigma)
MSE_WLS = compute_MSE_WLS(X, Sigma, sigma)
MSE_LMMSE = compute_MSE_LMMSE(X, Sigma_beta, Sigma_epsilon)
print("MSE_LSE:", MSE_LSE)
print("MSE_WLS:", MSE_WLS)
print("MSE_LMMSE:", MSE_LMMSE)

代码说明

1. compute_LSE: 计算最小二乘估计（LSE）。
2. compute_WLS: 计算加权最小二乘估计（WLS）。
3. compute_LMMSE: 计算线性最小方差估计（LMMSE）。
4. compute_MSE_LSE: 计算LSE的均方误差（MSE）。
5. compute_MSE_WLS: 计算WLS的均方误差（MSE）。
6. compute_MSE_LMMSE: 计算LMMSE的均方误差（MSE）。

运行上述代码，可以得到最小二乘估计、加权最小二乘估计和线性最小方差估计的结果以及相应的均方误差：

LSE: [ 0.00203471  0.21309766  1.05822246 -0.56680025  1.45839468]
WLS: [ 0.0597175   0.15308323  1.07124848 -0.59091883  1.47423845]
LMMSE: [-0.13400144  0.04498152  0.8584689  -0.71304874  1.25876277]
MSE_LSE: 5.008474
MSE_WLS: 0.13285989867054735
MSE_LMMSE: 1.2825935217514267

结论

在实际应用中，选择合适的估计方法和准确地整定其参数是确保估计质量的关键。本文通过Python代码展示了如何计算最小二乘估计（LSE）、加权最小二乘估计（WLS）和线性最小方差估计（LMMSE），并计算了相应的均方误差（MSE）。这些方法各有优缺点，选择合适的方法取决于具体的应用场景和数据特性。

LSE适用于误差均方同分布的情况，而WLS适用于误差方差不同的情况。LMMSE则结合了观测误差和先验信息，在有先验信息的情况下表现较好。通过正确选择和使用这些方法，可以有效地提高参数估计的精度和可靠性。

希望这篇博客能够帮助您理解和应用最小二乘估计、加权最小二乘估计和线性最小方差估计。如果有任何问题或建议，欢迎在评论区留言讨论。