前两天在研究期权组合问题，突然觉得对统计有了一点新的理解，所以今天写一点关于多元线性方面的东西，以待后用。
1. 多元线性回归的基本形式：
一个因变量，比如说某个地区的气温，被认为是由其他几个自变量，比如海拔、阳光亮度、湿度等等有关。我这里把这几个自变量理解为对应的instrument。假设有n次观测，那么得到的数据就是：
这里可以理解为在每次观测中，我们有Y这个Portfolio以及各个instrument对应的值。现在，我们就要找出这个Portfolio到底由对应的多少个instrument组成。而且，由于观测是随机的，因此成分是固定的！
这里，要考虑两种情况：
1）n<k(自变量的数量)
举例来说，假设n=2，那么这个问题我们可以写成求下面方程组中的a,b,c
根据线性代数的知识，我们知道a，b，c的解不唯一。instrument太多，以至于这些instrument赋予不同的权重都能得到目标结果Y。（当然，这里的都假设矩阵的性质良好）
2）n>k
再次使用线性代数的知识，a，b，c要么唯一（共线性），要么无法解出，那怎么办呢？我们引入一个残差e的概念。
那么这时候上面的方程组就变成了：
为了得到a，b，c的唯一解，所以我们引入了最小二乘法的思想，即最小化e的平方和！
上式对B（参数）求导并且令为0，则我们可以得到唯一的B（即：唯一的a，b，c解）
因为这个解是使用最小二乘法为目标条件才得到的，而这里的最小二乘法中有随机因素e，因此B的解只能算是根据现有观测的估计。因此，我们要知道B的参数的范围，这就有了参数的标准差。
更进一步，我们知道这些参数估计都服从T分布，自由度是n-k。自由度可以理解为，如果再增加n-k个instrument，那么根据得到的方程组就能完全确定的得到B的值，不需要最小二乘法。
2.主成成分分析思想：
通过上面的分析，我们知道其实我们就是在用给定的instrument的组成来模拟Y这个Portfolio。那么，能不能用其他的instrument来代替原有的，而后同样得到Y呢？答案是肯定的。
这个有点先是正交分解，像上例中说的，如果有3个instrument，那么我就可以在三个维度找到替换的instrument，而这三个新的instrument可以通过线性组合完美地得到原来的instrument。这个其实就是主成成分分析在做的事情之一。注意，这新的instrument彼此没有线性关系（不同维度）！
正交分解为：
可以证明： 的协方差矩阵就是 ，他们是线性无关的！
原文地址：http://blog.csdn.net/huiwuhuiwu/article/details/45601023
