The Elements of Statistical Learning第3章导读

1、 公式(3.4)的推导。

    可以直接对公式(3.3)中的$\beta_0$求导就得到$\hat{\beta}_0=\bar{y}-\beta_1\bar{x}$。

    对公式(3.3)中的$\beta_0$求导会有：

     $(y_1-\hat{\beta_0}-\hat{\beta_1}x_1)x_1+(y_2-\hat{\beta_0}-\hat{\beta_1}x_2)x_2\ldots+(y_n-\hat{\beta_0}-\hat{\beta_1}x_n)x_n$

   将$\hat{\beta}_0=\bar{y}-\beta_1\bar{x}$代入上面的式子就有：

    $\displaystyle \sum_{i=0}^n (y_i-(\bar{y}-\beta_1\bar{x})-\hat{\beta_1}x_i)x_i $

    $\displaystyle = \sum_{i=0}^n (y_ix_i-\bar{y}x_i+\beta_1\bar{x}x_i-\hat{\beta_1}x_i^2) $    公式(1)

 注意这样两个事实：

    (a) $\displaystyle \sum_{i=0}^n \left(-x_i+\bar{x}\right)\bar{x}=\sum_{i=0}^n \left(-x_i\bar{x}+\bar{x}^2\right)=0$

    (b) $\displaystyle \sum_{i=0}^n \left(-y_i+\bar{y}\right)\bar{x}=\sum_{i=0}^n \left(-y_i\bar{x}+\bar{y}\bar{x}\right)=0$

  将这个两个等式代入到公式(1)中，则有

     $\displaystyle  \sum_{i=0}^n\left(y_ix_i-\bar{y}x_i-\bar{x}(y_i-\bar{y}-\left( \bar{x}x_i+x_i^2-x_i\bar{x}+\bar{x}^2\right) \hat{\beta_1}\right) $ 

     $\displaystyle = \sum_{i=0}^n\left((y_i-\bar{y})(x_i-\bar{x})-( x_i-\bar{x})^2\hat{\beta_1} \right)$ 

2、公式(3.7)的由来。

     公式(3.7)反应了样本均值与总体(Population)  均值之间的偏离程度。假设总体的均值为$\mu$，方差为$\sigma^2$，$\mu_1,\mu_2,\ldots,\mu_n$是从总体中抽取的$n$个样本。样本均值$\bar{\mu}=\frac{1}{n}\sum_{i=1}^n\mu_i$，则有：

$var(\bar{\mu})=E(\bar{\mu}-E(\bar{\mu}))=E\left(\frac{1}{n}\sum_{i=1}^n(\mu_i-\mu)\right)=\frac{\sigma^2}{n}$

这个公式需要用到这样的事实：各个样本之间是独立的随机变量，比如$x_1,x_2$是独立同分布的随机变量，其对应的分布的期望和方差分别为$\mu$和$\sigma^2$，则：

  $E\left(x_1+x_2-E(x_1+x_2)\right)^2=E\left(x_1+x_2-2\mu\right)^2=E(x_1^2)+E(x_2^2)+2E(x_1x_2)-4\mu E(x_1)-4\mu E(x_2)+4\mu^2)$

$=E(x_1^2)+E(x_2^2)-2\mu^2=2\sigma^2$

注意，由于前面已经假设$x_1,x_2$是独立的，则$E(x_1x_2)=E(x_1)E(x_2)$。

3、公式(3.8)的推导。

      可用方差(或标准差的平方)来度量某次参数估计与参数的均值之间差多远(见公式(3.7))。在对参数$\hat{\beta_1}$的估计中，随机变量是$y_i=f(x_i)+\epsilon_i$，其中$var(\epsilon_i)=\sigma^2$，因此有$var\left(y_i-\bar{y}\right)=\sigma^2$（注意，这里的$\bar{y}$是由多个$y_i$相加而得到，可看成是一个常量，实际上它会接近于$\epsilon_i$对应的分布的均值）。 这里假定$\epsilon_i$是对同一分布采样得到，而且这些采样是独立的（见原版书Pxx也是这样规定的），则

         $\displaystyle \sum_{i=1}^n var\left((x_i-\bar{x})(y_i-\bar{y})\right)=n\sigma^2\left(\sum_{i=1}^n(x_i-\bar{x})^2\right)$

这个等式成立是利用了这样的定理：若随机变量$\xi_1$与$\xi_2$互不相关，则$var(\xi_1+\xi_2)=var(\xi_1)+var(\xi_2)$。

因此，有

      $SE\left(\hat{\beta_1}\right)^2=SE\left(\frac{\sum_{i=1}^n\left((x_i-\bar{x})(y_i-\bar{y})\right)}{\sum_i^n(x_i-\bar{x})}\right)^2=\frac{n\sigma^2\left(\sum_{i=1}^n(x_i-\bar{x})^2\right)}{n\left(\sum_{i=1}^n(x_i-\bar{x})^4\right)}=\frac{\sigma^2}{\left(\sum_{i=1}^n(x_i-\bar{x})^2\right)}$

注意，上面这个等式中的$(x_i-\bar{x}$不是随机变量。

    同理可得$SE(\hat{\beta_0})^2=\sigma^2\left[\frac{1}{n}-\frac{\bar{x}^2}{\left(\sum_{i=1}^n(x_i-\bar{x})^2\right)}\right]$

4、公式(3.23)的说明。

     公式(3.23)的分子是一个自由度为p的卡方分布(chi squred distribution);而分每是一个自由度为(n-p-1)的卡方分布，因此它们相除就是F分布，即F(p,n-p-1)。