二次型 (统计)

在多元变量统计中，如果 $\varepsilon$ 为 $n$ 维随机向量， $\Lambda$ 是一个 $n$ 维对称矩阵，则随机变量 $\varepsilon ^{T}\Lambda \varepsilon$ 称为 $\varepsilon$ 的二次型。

期望

二次型的期望可表示为，

$\operatorname {E} \left[\varepsilon ^{T}\Lambda \varepsilon \right]=\operatorname {tr} \left[\Lambda \Sigma \right]+\mu ^{T}\Lambda \mu$

其中，$\mu$ 和 $\Sigma$ 分别表示 $\varepsilon$ 的期望值 和方差-协方差矩阵， tr 为矩阵的迹。其结果仅仅取决于是否存在 $\mu$ 和 $\Sigma$；并且，$\varepsilon$ 的正态性不是必要条件。

关于随机变量的二次型参考书籍 

证明

由于二次型是标量，所以二次型的迹就是它本身$\operatorname {E} \left[\varepsilon ^{T}\Lambda \varepsilon \right]=\operatorname {tr} (\operatorname {E} [\varepsilon ^{T}\Lambda \varepsilon ])$。

由于矩阵的迹是其对角线元素之和（即矩阵元素线性组合的结果），因此服从期望的线性，有

$\operatorname {tr} (\operatorname {E} \left[\varepsilon ^{T}\Lambda \varepsilon \right])=\operatorname {E} [\operatorname {tr} (\varepsilon ^{T}\Lambda \varepsilon )].$

利用迹的可交换性，

$\operatorname {E} [\operatorname {tr} (\varepsilon ^{T}\Lambda \varepsilon )]=\operatorname {E} [\operatorname {tr} (\Lambda \varepsilon \varepsilon ^{T})].$

由期望的线性可得

$\operatorname {E} [\operatorname {tr} (\Lambda \varepsilon \varepsilon ^{T})]=\operatorname {tr} (\Lambda \operatorname {E} (\varepsilon \varepsilon ^{T})).$

由方差的标准属性可知：

$\operatorname {tr} (\Lambda (\Sigma +\mu \mu ^{T})).$

再次应用迹的可交换性可得：

$\operatorname {tr} (\Lambda \Sigma )+\operatorname {tr} (\Lambda \mu \mu ^{T})=\operatorname {tr} (\Lambda \Sigma )+\operatorname {tr} (\mu ^{T}\Lambda \mu )=\operatorname {tr} (\Lambda \Sigma )+\mu ^{T}\Lambda \mu .$

方差

通常情况下，二次型的方差在很大程度上取决于 $\varepsilon$ 的分布。 然而，如果 $\varepsilon$ 服从多元常态分布，则二次型的方差的求解非常容易。假设 $\Lambda$ 是一个对称矩阵，则有，

$\operatorname {var} \left[\varepsilon ^{T}\Lambda \varepsilon \right]=2\operatorname {tr} \left[\Lambda \Sigma \Lambda \Sigma \right]+4\mu ^{T}\Lambda \Sigma \Lambda \mu$ .

事实上，这可以推广到同一向量 $\varepsilon$ 的两个二次型的协方差计算中 (注意, $\Lambda _{1}$ 和 $\Lambda _{2}$ 必须都是对称矩阵):

$\operatorname {cov} \left[\varepsilon ^{T}\Lambda _{1}\varepsilon ,\varepsilon ^{T}\Lambda _{2}\varepsilon \right]=2\operatorname {tr} \left[\Lambda _{1}\Sigma \Lambda _{2}\Sigma \right]+4\mu ^{T}\Lambda _{1}\Sigma \Lambda _{2}\mu$。

不对称矩阵的方差计算

在某些参考资料中，在 $\Lambda$ 为非对称矩阵情况下，也错误地得到了上述方差/协方差的结果。 在一般情况下，$\Lambda$ 可以通过下面方式得到：

$\varepsilon ^{T}\Lambda ^{T}\varepsilon =\varepsilon ^{T}\Lambda \varepsilon$

因此

$\varepsilon ^{T}{\tilde {\Lambda }}\varepsilon =\varepsilon ^{T}\left(\Lambda +\Lambda ^{T}\right)\varepsilon /2$

但是，这是一个二次型的对称矩阵 ${\tilde {\Lambda }}=\left(\Lambda +\Lambda ^{T}\right)/2$，所以其均值和方差表达式相同，只是将 $\Lambda$ 替换为 ${\tilde {\Lambda }}$。

二次型举例

设有观测值的集合 $y$ 和运算矩阵 $H$，则 $y$ 的残差平方和可表示为其二次型：

${\textrm {RSS}}=y^{T}(I-H)^{T}(I-H)y.$

其中，矩阵 $H$ 为对称和等幂的，其误差为协方差矩阵为 $\sigma ^{2}I$ 的高斯分布, ${\textrm {RSS}}/\sigma ^{2}$ 为自由度是 $k$ 的卡方分布，参数为 $\lambda$，有

$k=\operatorname {tr} \left[(I-H)^{T}(I-H)\right]$

$\lambda =\mu ^{T}(I-H)^{T}(I-H)\mu /2$

如果 $Hy$ 在估计 $\mu$ 时没有偏差，则参数 $\lambda$ 为零且 ${\textrm {RSS}}/\sigma ^{2}$ 服从中心卡方分布。

参看

• 二次型
• 协方差矩阵