Niech dany będzie model regresji liniowej, zapisany w notacji macierzowej:
tj.
gdzie są współczynnikami modelu, są zmiennymi objaśniającymi natomiast są zmiennymi losowymi błędu (nazywanymi czasami szumem). W przypadku modelu regresji ze stałą, wprowadza się dodatkowy współczynnik oraz odpowiadającą mu kolumnę jedynek: dla wszelkich
w której współczynniki nie zależą od ale mogą zależeć od Z definicji, estymator jest nieobciążony, gdy
Niech
będzie kombinacją liniową współczynników. Wówczas błąd średniokwadratowy odpowiadający takiemu oszacowaniu wynosi
Z uwagi na to, że rozważane tu estymatory są nieobciążone, błąd średniokwadratowy jest równy wariancji rzeczonej kombinacji liniowej. Najlepszym nieobciążonym estymatorem (ang. BLUE) jest wektor o parametrach którego błąd średniokwadratowy jest najmniejszy spośród wszystkich wektorów będących kombinacjami liniowymi parametrów. Równoważnie, macierz
estymator średniokwadraowy (OLS) jest najlepszym nieobciążonym liniowym estymatorem (BLUE)[2].
Dowód
Niech będzie dowolnym liniowym etymatorem gdzie a jest niezerową macierzą. Zakładając nieobciążoność, najlepszy estymator nieobciążony to estymator o minimalnej wariancji. By zakończyć dowód należy wykazać, że wariancja nie jest mniejsza od wariancji tj. estymatora najmniejszych kwadratów.
Oznacza to, że estymator jest nieobciążony wtedy i tylko wtedy, gdy W tym wypadku:
Macierz DD' jest nieujemnie określona, dominuje zatem poprzez macierz nieujemnie określoną[3] (zob. uwagi o dowodzie).
Uwaga o dowodzie
Powyższy dowód opiera się na równoważności warunku
z tym, że najlepszym (tj. mającym minimalną wariancję) estymatorem jest Zależność taka istotnie zachodzi. Niech będzie dowolnym liniowym, nieobciążonym estymatorem Wówczas
W tym wypadku, równość zachodzi wtedy i tylko wtedy, gdy Zachodzi wówczas
Oznacza to, że równość zachodzi wtedy i tylko wtedy, gdy
co implikuje jedyność estymatora najmniejszych kwadratów (OLS) jako estymatora BLUE[4].
Przypisy
Bibliografia
N.H. Bingham, J.M. Fry, Regression: Linear Models in Statistics, Springer Undergraduate Mathematics Series, 2010.
A. Sen, M. Srivastava, Regression Analysis Theory, Methods, and Applications, Springer-Verlag, New York, 1990.