Variance in OLS/GLM

对于GLM来说，如何估计其prediction $\hat y$ 的Confidence Interval？以及如何估计其Coefficients $\hat \beta$ 的Variance？【这个常常在线性模型用以评估其变量的Causal Inference时需要用】都是非常重要的问题。
由于GLM的支持的分布，可以是real continuous number，以及integer（包含binary number）等等，所以对它们Variance的估计就有不同的计算方法。

1、Linear model(OLS)中的variance估计[Homoscedasticity时]

详细可见Variance in Linear Model

理解ols estimator[0]
- a、The MSE of a point estimator is its variance (V) plus the square of its bias.
  优化MSE即是同时优化Variance与Bias。 $MSE=Var + Bias^2$ 。
- b、OLS的假设： $\epsilon_i \sim N(0,\sigma(\epsilon)^2)$ 与 $\vec x$ 无关，且无自相关性。
- c、设定：
  $\vec y \in R^{n \times 1}$ ， $\vec e \in R^{n \times 1}$ ， $\vec {\hat \beta} \in R^{ m \times 1}$ ， $\mathbf {X} \in R^{n \times m}$ ， $\vec {x_i} \in R^{m \times 1}$
  得到： $\hat y_i = \vec x_i^T \hat \beta + \epsilon_i$ ，或矩阵表达： $\vec {\hat y} = \mathbf X \hat \beta + \vec \epsilon$
- d、形式化推导：
  $\min_{\beta} \sum_i^n (y_i - \vec {x_i}^T\beta)^2$
  - 1、用矩阵表示residual：
    $\vec e \in R^{1 \times n}$ ： $\vec e = \vec y - \mathbf {X}\beta$
  - 2、用矩阵形式表达loss。
    带入 $\hat y$ 得到（注意结果为一个标量，与 $\vec e \vec e^T \in R^{n \times n}$ 不同）：
    $\vec e^T \vec e= (\vec y - \mathbf {X} \hat \beta)^T (\vec y - \mathbf {X} \hat \beta)$
    $=\vec y ^T \vec y - \hat \beta^T\mathbf{X}^T\vec y - \vec y\mathbf{X} \hat \beta + \hat \beta^T\mathbf{X}^T \mathbf {X} \hat \beta$
    由于 $\hat \beta^T\mathbf{X}^T\vec y = ( \vec y\mathbf{X} \hat \beta )^T$ ，因为其结果为scalar，scalar的转置仍然是其本身。
    所以最终要minimize的loss function用矩阵表达如下：
    $\vec e^T \vec {e} = \vec y ^T \vec {y} - 2\times \hat \beta^T\mathbf{X}^T\vec y + \hat \beta^T\mathbf{X}^T \mathbf {X} \hat \beta$
  - 3、要minimize上述表达式，我们需要计算对 $\hat \beta$ 的偏导。(Matrix Derivatives[13])
    Jacobian: $\frac {\partial \vec {e}^T \vec {e}}{\partial \hat \beta } = -2 \mathbf{X}^T \vec {y} + 2 \mathbf{X}^T\mathbf{X} \hat \beta$
    Hessian: $\frac {\partial^2 \vec {e}^T \vec {e}}{\partial^2 \hat {\beta}} = 2\mathbf{X}^T \mathbf{X}$
    由于对 $\hat \beta$ 的二阶偏导数矩阵（Hessian Matrix）半正定，所以该函数为凸函数（证明见[12]）。因此对凸函数求minimize $\hat \beta$ ，只需要求解一阶导数Jacobian=0即可
  - 4、使 $Jacobian：\frac {\partial \vec {e}^T \vec {e}}{\partial \hat \beta }=0$ ，我们得到normal equation：
    $\mathbf {X}^T \mathbf{X} \hat \beta = \mathbf {X}^ T \vec {y}$
  - 5、由此得到close form solution：
    $\hat {\beta} =( \mathbf{X}^T \mathbf{X})^{-1} \mathbf{X}^T \vec {y}$
  - 6、我们可以通过解析解，推导出 $\hat \beta$ 的期望：
    假设真实参数为 $\beta$ ，所以： $\vec y = \mathbf X \beta + \vec \epsilon$
    则： $\hat \beta =( \mathbf{X}^T \mathbf{X})^{-1} \mathbf{X}^T (\mathbf {X} \beta + \vec {\epsilon})$ 【带入 $\vec y$ 】
    $= \beta + ( \mathbf{X}^T \mathbf{X})^{-1} \mathbf{X}^T \vec \epsilon$
    因此： $\mathbb {E}(\hat \beta) = \beta + ( \mathbf{X}^T \mathbf{X} )^{-1} \mathbf{X}^T \mathbb {E} (\vec \epsilon)$
    由于 $\mathbb E(\epsilon) = 0$
    所以 $\mathbb E(\hat \beta) = \beta$ ，即OLS为无偏估计量
  - 7、同时，我们也可以推导出其方差：
    $Var(\hat \beta) = \mathbb E[(\hat \beta - \mathbb E(\hat \beta) )^2]$
    用矩阵表达为：
    $= \mathbb E[(\hat \beta - \beta )^T(\hat \beta - \beta)]$ 【带入 $\mathbb E(\hat \beta) = \beta$ 】
    $= \mathbb E[ ( \mathbf{X}^T \mathbf{X})^{-1} \mathbf{X}^T \vec \epsilon(( \mathbf{X}^T \mathbf{X})^{-1} \mathbf{X}^T \vec \epsilon)^T]$ 【带入上述计算 $\mathbb E(\hat \beta)$ 时， $\hat \beta$ 的表达式】
    $=\mathbb E[ (\mathbf{X}^T \mathbf{X})^{-1} \mathbf{X}^T \vec \epsilon \vec \epsilon^T \mathbf{X} (\mathbf{X}^T \mathbf{X})^{-1}]$ 【由于 $(X^TX)^{-1}$ 为对称矩阵，所以其转置等于其自身】
    $=\mathbb E[ \vec \epsilon \vec \epsilon^T] (\mathbf{X}^T \mathbf{X})^{-1} \mathbf{X}^T \mathbf{X} (\mathbf{X}^T \mathbf{X})^{-1}$
    $=\mathbb E[ \vec \epsilon \vec \epsilon^T] (\mathbf{X}^T \mathbf{X})^{-1}$ 【其中 $(\mathbf{X}^T \mathbf{X} ) ^{-1} \mathbf{X}^T \mathbf{X} = \mathbf I$ 】
    由于 $\mathbb E[ \vec \epsilon \vec \epsilon^T] \in R^{n \times n}$ 在矩阵视角下为对角矩阵（非对角元素为0），对角线上，矩阵的 $X_{ii} = \mathbb E(\epsilon_i^2)$ ），由于 $Var(x)=\mathbb E(x^2) - \mathbb E(x)^2$ ，而 $\mathbb E(\epsilon) = 0$ ，且有同方差性。所以 $\mathbb {E}[ \vec \epsilon \vec \epsilon^T] =Var(\epsilon) \mathbf {I}= \sigma^2 \mathbf I$
    因此化简得到：
    $Var(\hat \beta) = \sigma^2 (\mathbf{X}^T \mathbf{X})^{-1}$
    由于 $\sigma^2$ 未知，我们通常用样本方差代替 $\hat \sigma^2=\frac {\vec \epsilon^T \vec \epsilon}{n - k}$ ，其中 $k$ 为参数数量.
关于缺失变量可能带来的 $\hat \beta$ 偏差：Omitted Variable Bias[14]
这里与Confounding Bias比较类似（但不完全一致，这里似乎缺失了mediator也会造成bias？）。当我们缺失的变量满足 $X_{omitted} \perp Y$ 或者 $X_{omitted} \perp X$ 时，OLS estimator能保持无偏。
这点非常好理解，假设 $z= x + \epsilon$ , $y = z + x$ ，true model中 $\beta_1=\beta_2 = 1$ 「这里假设的形式更像是mediator」，当我们omit掉 $z$ ，对 $y = \hat \beta x$ 进行OLS估计时，天然就会计算出 $\hat \beta = 2 \neq \beta$ ，直觉上也好理解， $\hat \beta$ 是有偏的。
当然，原问题中， $\hat \beta$ 是无偏的，则 $\hat y$ 是无偏的。而当我们在omitted Variable的情况下做回归， $\hat y$ 是否有偏，还需要证明： $\mathbb E(\hat y) \neq \mathbb E(y)$
关于缺失变量对 $\hat y$ 是否也带来偏差：
$X_2$ 为omitted variable
由 $\vec y = X_1\beta_1 + X_2\beta_2 + \vec \epsilon$
所以 $\hat y = X_1 \hat \beta_1 = X_1((X_1^TX_1)^{-1}X_1^T\vec y )$
$=X_1((X_1^TX_1)^{-1}X_1^T (X_1\beta_1 + X_2\beta_2 + \vec \epsilon) )$
$=X_1\beta_1 + X_1(X_1^TX_1)^{-1}X_1^T * (X_2\beta_2+ \epsilon)$ 【前一项结合律】
$=X_1\beta_1 + X_1(X_1^TX_1)^{-1}X_1^TX_2\beta_2+ X_1(X_1^TX_1)^{-1}X_1^T\epsilon$
$\neq X_1\beta_1 + X_2\beta_2 + \epsilon$
只有在 $X_1(X_1^TX_1)^{-1}X_1^T = I_n$ 时，才满足无偏，所以： $\mathbb E(\hat y) \neq \mathbb E(y)$ ，所以 $\hat y$ 仍然是有偏的。因此，如果我们有omitted variable，则我们 $\hat \beta$ 是有偏的，所以不能用做causal inference， $\hat y$ 也是有偏的，所以也不能用于prediction
从另一个角度理解，为何omitted variable产生时 prediction也会有偏？
因为omitted variable可能会导致非同方差性[15]。
其实，我们进行OLS估计时，得到的解 $\hat \beta$ 的形式并不需要保证同方差性。但是在非同方差性的状态下，我们不满足Gauss Markov Assumptions，所以我们的 $\hat \beta_{OLS}$ 不是无偏估计[16]。此时我们也可以使用OLS做估计（我们的求解过程并不需要Gauss-Markov假设来化简），但是只有在满足Gauss Markov Assumptions的时候，我们的OLS estimator才是BLUE的。【Best Linear Unbiased Estimator】Best此处指其Variance是最小的。
关于omitted variable情况下，bias的方向问题。positive bias or negative bias，可以见Omitted Variable Bias: The Simple Case
Variance 计算
- a、误差项：
  $\epsilon \sim N(0,\sigma^2(\epsilon))$
  $Var(\hat \epsilon) = \frac 1 {n-1} \sum_i^n (y_i - \hat y_i) ^ 2$
  通常被记为 $\sigma$ .
  由于同方差性，所以，每一个点估计，其误差的方差都是 $Var(\hat \epsilon)$ ，通常真实的variance： $Var(\epsilon)$ 难以计算，所以用其估计值： $Var(\hat \epsilon)$ 代替，以下 $Var(\beta)$ 的计算公式中用到的也是。
- b、参数项：
  $\hat \beta|X \sim N(\beta,\sigma^2(\beta))$
  $Var(\hat \beta) = \frac {Var(\epsilon)}{X^TX}$
  $=\sigma^2(X^TX)^{-1}$
  注意， $X$ 为 $n \times m$ 的矩阵 $\sigma^2$ 为标量，所以这里得到的是 $m \times m$ 的矩阵，即 $m$ 维系数的协方差矩阵，对角线上第 $i$ 行的元素即为 $\beta_i$ 的方差。
- c、estimate项：
  $Var(\hat Y) = Var(\vec x_0^T\hat \beta)$
  $= \vec x_0^TVar(\hat \beta)\vec x_0$ 【方差性质】
  $=\sigma^2 \vec x_0^T(X^TX)^{-1}\vec x_0$ 【带入 $Var(\hat \beta)$ 】
  注意， $\vec x_0 \in R^{m \times 1}$ 为某一个样本的取值。
- d、Prediction Interval：[6]
  TODO

2、OLS：Heteroscedasticity时的variance估计

与Homoscedasticity的差异：
非同方差性。
由于我们假设 $\epsilon \not\perp x$ 。这里是与OLS假设不同的。

常用建模方式：[10]
lNormal , Exponential, Inverse Gaussian
Estimator
- a、Weighted Least Square，要求我们对 $\epsilon_i$ 有个比较明确的建模，（然后输入模型，表示为weight）。通常需要我们找到一个正比于variance的变量。当且仅当这个变量能比较正确地建模方差variance，才能够解决方差不同性的问题。[16]
- b、White Estimator
  将这个问题视为nuisance，通过修正其估计量的方差来解决，而非建模这个方差。[16]
  见Heteroscedasticity-consistent standard errors[17]
  在非同方差的状态下， $\hat \beta_{OLS}$ 仍然为unbiased estimator，但是并不满足BLUE，即此时的variance并不是最小的。并且，由于 $\mathbb E(\vec \epsilon \vec \epsilon^T) = Var(\epsilon) \neq \sigma^2 I_n$ 【第一个等号在 $\mathbb E(\epsilon)$ =0的情况下成立，而第二个等号仅在同方差时成立】，所以上述的Variance估计是不成立的。
  此处，我们假设 $\epsilon_i$ 来源于不同分布，但其之间互相独立，即没有auto-correlation，所以定义：
  $\Sigma := \mathbb E(\vec \epsilon \vec \epsilon^T) = diag(\sigma_1^2,\sigma_2^2...\sigma_n^2)$
  因而：
  $Var(\hat \beta_{OLS}) = \mathbb E((\hat \beta - \beta)(\hat \beta - \beta)^{-1})$
  $= \mathbb E((X^TX)^{-1}X^T\epsilon \epsilon X(X^TX)^{-1})$
  $=(X^TX)^{-1}X^T\Sigma X(X^TX)^{-1}$ 【这一步与之前的推导一致】
  然而，通常如果我们无法准确地获得 $\sigma_i^2$ ，所以我们用purely empirical 的方式来估计：即 $\sigma_i^2= \epsilon_i^2$ ，【 $\epsilon_i$ 即为真实OLS估计后的residual】
  因此：
  $\hat \Sigma = diag(\epsilon_1^2,\epsilon_2^2...\epsilon_n^2)$
  带入即可获得其Variance：
  $Var(\hat \beta_{OLS}) = (X^TX)^{-1}X^T\hat \Sigma X(X^TX)^{-1}$
- c、当然，相较于上述纯empirical的估计方法，也可以加入一些假设，譬如某一部分observations有相同的variance。即group cluster variance。
Variance 计算：
推导见上
$Var(\hat \epsilon) = \hat \Sigma = diag(\epsilon_1^2,\epsilon_2^2...\epsilon_n^2)$
$Var(\hat \beta) = (X^TX)^{-1}X^T\hat \Sigma X(X^TX)^{-1}$
$Var(\hat y) = \vec x_0^TVar(\hat \beta)\vec x_0$

3、LR（GLM）中的variance估计[1]

Deviance概念：
当我们拟合GLM模型的时候，不使用MSE，而是使用Deviance?[3]
Deviance是GLM中对RSS（residual sum of squares）在OLS中的一种泛化。
Deviance满足：
$D(y,y)=0,D(y,u) > 0,when[y \neq u]$
通过likelihood 来构建Deviance：
$D(y, \hat u) = 2(log(p(y| \theta_s)) - log(p(y|\hat \theta)))$
$\theta_s$ 为saturated model（即每个参数表示一个样本）的参数， $\hat \theta$ 为模型估计的参数。
- a、对于normal distribution来说，常用
  $d(y,u)=\frac {(y-u)^2}{\sigma ^2}$ ，其实就是MSE
- b、对于Bernoulli distribution来说常用
  $d(y,u) = log(p(y|y))-log(|u-y|)$
  $= - ylog(u) - (1-y) log(1-u)$
  其中【 $p(y|y) =1，log(1) = 0$ 】
与OLS差异性来源：
假设不同： $g(y)=\mathbf {X} \beta$ ,其中 $g(x)$ 为link function。[1]
1、非同方差性：
比如：Logistics model属于GLM，由于 $y \propto Bernoulli$ ，所以它天然地构建了Variance与Mean的关系，即： $Var(y) = E(y) (1 - E(y))$ ，这个关系在OLS中是不存在的，这里天然造成了Heteroscedasticity。
2、同时，由于link function的存在，通常GLM没有Analytical Solution[11]
3、同时，也是由于没有Analytical Solution，所以Variance的推导也比较tricky

常用概率建模方式：[10]
Logit，Porbit，cloglog，Possion[1]
Variance 计算：
- a、参数 $\hat \beta$ 的方差：[18]
  假设数据 $x_i$ 服从概率分布 $f_{\beta}(x)$ ， $f$ 为其概率密度函数PDF。
  $X$ 为iid采样获得的样本，其似然函数Likelihood function如下: $L(X;\beta)= \prod_i f_{\beta}(x_i)$
  - aa、Score Function：log likelihood的一阶导数
    $S(X;\beta) = \sum_i \frac {\partial log(f_{\beta}(x_i))}{\partial \beta}$
    $= \sum_i \frac {1}{f_{\beta}(x_i)} \frac {\partial f_{\beta}(x_i)}{\partial \beta}$
    性质其期望为0， $\mathbb E(S(X;\beta))=0$ ：
    $\mathbb E(S(X;\beta)) = \int S(x;\beta) f_{\beta}(x) dx$ 【期望，概率积分】
    $=\int \frac {\partial f_{\beta}(x_i)}{\partial \beta} dx$ 【假设Sample size=1，带入上述表达式】
    $=\frac {\partial \int f_{\beta}(x_i) dx}{\partial \beta}$ 【与 $\beta$ 无关，交换顺序,Leibniz integral rule】
    $=\frac {\partial 1}{\partial \beta} = 0$ 【pdf积分为常数1】
  - ab、Fisher Information Matrix：
    $I(\beta)=Var(E(S(X;\beta)^2)$
    $=\mathbb E(S(X;\beta)^2)$ 【期望为0，则其二阶矩等于方差】
    $=\int (\frac {\partial log(f(x))}{\partial \beta})^2 f(x) dx$ 【假设sample size=1，带入】
    $=\int (\frac {\partial log(f(x))}{\partial \beta})^2 f(x) dx$
    TODO:
    很容易证明对于对数似然损失，Fisher Information 与Hessian相同[20]：
    Expected Fisher Information:
    $\mathbb I(\beta)= - \mathbb E(\frac {\partial^2 log(f_{\beta}(X))}{\partial^2 \beta})$
    Observerd Fisher Information:（Empirical Fisher Information）
    $\mathbb I(\beta) = - \frac {\partial^2 log(f_{\beta}(X))}{\partial^2 \beta}$
    在Matrix Form中，可以通过对数似然loss的Hessian推导而来。[20]
    即： $I(\beta) = \mathbb H$
    【注，由于我们一般都是优化负对数似然，所以负号已经包含在Hessian中了】
  - ab2、Hessian in LR:
    TODO，矩阵推导得到：
    $\mathbb H(\hat \beta) = X^T \hat \Sigma X$
    其中 $\hat \Sigma = diag(\hat y_1(1- \hat y_1), \hat y_2(1- \hat y_2)...\hat y_n(1- \hat y_n))$ 为带入 $\hat \beta$ 后得到的对角矩阵。
  - ac、Cramer-Rao bound：[19]
    根据Cramér–Rao bound给出的lower bound of estimator：
    *注：这里是lower bound，所以An unbiased estimator which achieves this lower bound is said to be (fully) efficient
    即： $Var(\beta) \geq \mathbb I(\beta)^{-1} = \mathbb H(\beta)^{-1}$
    注：相同地，在OLS中，其参数的Variance也能用相同的方法推导出来，也是 $\mathbb H(\beta)^{-1}$
  - ad、最终Variance的形式：[21]
    因此，对Logistic Regression：
    $Var(\hat \beta) = (X^T \hat \Sigma X)^{-1}$
    其中 $\hat \Sigma = diag(\hat y_1(1- \hat y_1), \hat y_2(1- \hat y_2)...\hat y_n(1- \hat y_n))$
    由于 $Var(\hat \beta)$ 的表达式中有取逆操作，所以一般也没有analytical form，都是通过numerical的方法来解得。
- b、预估值 $\hat y$ 的方差：
  对于Categorical Dependent Variable（outcome Y是一个类别变量）的情况下，有四种办法可以计算其置信区间。
  - ba、前言：Maximum Likelihood（在Probability估计中不可用）[5]
    Linear Model中可用：
    $Var(\vec x_0^T \hat \beta)=\vec x_0^T Var(\hat \beta) \vec x_0$
    其中 $\vec x_0 \in R^{m \times 1}$ 为样本点， $Var(\hat \beta) \in R^{m \times m}$ 是covariance matrix of regression coefficients：即 $Var(\hat \beta) = (X^T \Sigma X)^{-1}$ ，其中 $X \in R^{n \times m}$ 为样本， $\Sigma \in R^{n \times n}$ 是预估值的covariance矩阵，实际计算可见[4]
  - bb、Endpoint Transformation [8]
    根据Maximum Likelihood估计其中线性项的Variance： $Var(X_0 \beta)$ ，然后获得其线性项的Confidence Interval： $y_{LB} \leq y \leq y_{UB}$ ，再将其转换到概率维度的空间中[4]，只要转换函数为单调的即可，得到： $F(y_{LB}) \leq F(y) \leq F(y_{UB})$ ，例如logistic function： $F(y)=\frac {e^y}{1+e^y} = \frac {1}{1 + e^{-y}}$
    注意：这种方式计算出来不会越界，但是需要 outcome of interest is monotonic of the linear combination
  - bc、Delta method
    TODO。
  - bd、Bootstrap method
    从sample中多次采样样本，多次拟合模型，并且多次估计样本，然后通过样本的多次估计，来模拟从population中采样造成的variability。缺点就是非常耗时。

运用

1、计算propensity score的时候，如何评估我们模型variance带来的影响？
要求无偏吗？
为什么要用semi-parametric的方法？

2、模型计算

Refer

[0]MSE
https://study.com/academy/lesson/properties-of-point-estimators.html

[1]GLM
引子，https://stats.stackexchange.com/questions/402584/why-does-logistic-regression-not-have-variance-but-have-deviance

GLM差异性来源，Modeling probabilities：https://web.stanford.edu/class/stats191/notebooks/Logistic.html
常用建模方式：见最后，Logit，Porbit，cloglog

常用link function：
https://en.wikipedia.org/wiki/Generalized_linear_model#Link_function

[2]Confidence Interval of Coefficient
其实参数的CI很重要，譬如我们在进行Causal Effect的估计时，我们用来导出结论的是Treatment变量的系数，那么知道这个系数的CI便很重要。
https://stats.stackexchange.com/questions/354098/calculating-confidence-intervals-for-a-logistic-regression

[3]Deviance:
https://en.wikipedia.org/wiki/Deviance_(statistics)

[4]Confidence Interval for Binary Classifier（such as Logistic Regression），in Practice
Endpoint Transformation & Delta Method：
https://stats.stackexchange.com/questions/163824/different-ways-to-produce-a-confidence-interval-for-odds-ratio-from-logistic-reg
以及：
Confidence intervals for predicted outcomes in regression models for categorical outcomes
以及：
Confidence Intervals for the Odds Ratio in Logistic Regression with One Binary X

[5]
线性模型的一些假设，变量命名，以及推导见：Applied Linear Models

[6]Prediction Interval
http://web.vu.lt/mif/a.buteikis/wp-content/uploads/PE_Book/3-7-UnivarPredict.html

[7]Confidence Interval
http://web.vu.lt/mif/a.buteikis/wp-content/uploads/PE_Book/3-5-UnivarConfInt.html

[8]
7.1章：Endpoint Transformation
Confidence intervals for predicted outcomes in regression models for categorical outcomes

[10]
GLM,Link Function
https://en.wikipedia.org/wiki/Generalized_linear_model

[11]LR has no Analytical(close form) Solution
https://stats.stackexchange.com/questions/455698/why-does-logistic-regressions-likelihood-function-have-no-closed-form

[12]证明
Hessian matrix 半正定

1、 $\mathbf {X}$ 为full rank 矩阵。见：https://stats.stackexchange.com/questions/174775/full-rank-assumption-in-the-linear-regression-model-explanation
2、 $\mathbf {X}^T\mathbf {X}$ 为正定矩阵。见：Econometrics (Greene)
Chapter 3 Least square, Page 21

[13] Matrix Derivative
OLS in Matrix Form：page2 bottom

[14]
OLS in Matrix Form：Omitted Variable Bi

[15]
Omitted Variable bias：
https://statisticsbyjim.com/regression/confounding-variables-bias/#:~:text=Omitted%20variable%20bias%20occurs%20when,which%20biases%20the%20coefficient%20estimates.

[16]
在OLS in Matrix Form
Gauss-Markov 假设见如下章节：
4、The Gauss-Markov Assumptions
5、The Gauss-Markov Theorem
检验同方差性(不同方差状态下的解决办法)，见如下章节：
6、Robust (Huber of White) Standard Errors

[17]
Weight Estimator：
https://en.wikipedia.org/wiki/Heteroscedasticity-consistent_standard_errors

[18]
LR中参数 $\beta$ 的 covariance matrix：
David W. Hosmer Applied Logistic Regression
P35

[19]
Fisher Information的意义
https://www.zhihu.com/question/26561604

[20]
Fisher Information
score function and I() proof:
https://en.wikipedia.org/wiki/Fisher_information

[21]
此时Variance就是Hessian Matrix求逆。
Lecture 26 — Logistic regression

最后编辑于：2022.02.09 22:05:28

人面猴
序言：七十年代末，一起剥皮案震惊了整个滨河市，随后出现的几起案子，更是在滨河造成了极大的恐慌，老刑警刘岩，带你破解...
沈念sama阅读 203,937评论 6赞 478
死咒
序言：滨河连续发生了三起死亡事件，死亡现场离奇诡异，居然都是意外死亡，警方通过查阅死者的电脑和手机，发现死者居然都...
沈念sama阅读 85,503评论 2赞 381
救了他两次的神仙让他今天三更去死
文/潘晓璐我一进店门，熙熙楼的掌柜王于贵愁眉苦脸地迎上来，“玉大人，你说我怎么就摊上这事。” “怎么了？”我有些...
开封第一讲书人阅读 150,712评论 0赞 337
道士缉凶录：失踪的卖姜人
文/不坏的土叔我叫张陵，是天一观的道长。经常有香客问我，道长，这世上最难降的妖魔是什么？我笑而不...
开封第一讲书人阅读 54,668评论 1赞 276
港岛之恋（遗憾婚礼）
正文为了忘掉前任，我火速办了婚礼，结果婚礼上，老公的妹妹穿的比我还像新娘。我一直安慰自己，他们只是感情好，可当我...
茶点故事阅读 63,677评论 5赞 366
恶毒庶女顶嫁案：这布局不是一般人想出来的
文/花漫我一把揭开白布。她就那样静静地躺着，像睡着了一般。火红的嫁衣衬着肌肤如雪。梳的纹丝不乱的头发上，一...
开封第一讲书人阅读 48,601评论 1赞 281
城市分裂传说
那天，我揣着相机与录音，去河边找鬼。笑死，一个胖子当着我的面吹牛，可吹牛的内容都是我干的。我是一名探鬼主播，决...
沈念sama阅读 37,975评论 3赞 396
双鸳鸯连环套：你想象不到人心有多黑
文/苍兰香墨我猛地睁开眼，长吁一口气：“原来是场噩梦啊……” “哼！你这毒妇竟也来了？” 一声冷哼从身侧响起，我...
开封第一讲书人阅读 36,637评论 0赞 258
万荣杀人案实录
序言：老挝万荣一对情侣失踪，失踪者是张志新（化名）和其女友刘颖，没想到半个月后，有当地人在树林里发现了一具尸体，经...
沈念sama阅读 40,881评论 1赞 298
护林员之死
正文独居荒郊野岭守林人离奇死亡，尸身上长有42处带血的脓包…… 初始之章·张勋以下内容为张勋视角年9月15日...
茶点故事阅读 35,621评论 2赞 321
白月光启示录
正文我和宋清朗相恋三年，在试婚纱的时候发现自己被绿了。大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
茶点故事阅读 37,710评论 1赞 329
活死人
序言：一个原本活蹦乱跳的男人离奇死亡，死状恐怖，灵堂内的尸体忽然破棺而出，到底是诈尸还是另有隐情，我是刑警宁泽，带...
沈念sama阅读 33,387评论 4赞 319
日本核电站爆炸内幕
正文年R本政府宣布，位于F岛的核电站，受9级特大地震影响，放射性物质发生泄漏。R本人自食恶果不足惜，却给世界环境...
茶点故事阅读 38,971评论 3赞 307
男人毒药：我在死后第九天来索命
文/蒙蒙一、第九天我趴在偏房一处隐蔽的房顶上张望。院中可真热闹，春花似锦、人声如沸。这庄子的主人今日做“春日...
开封第一讲书人阅读 29,947评论 0赞 19
一桩弑父案，背后竟有这般阴谋
文/苍兰香墨我抬头看了看天上的太阳。三九已至，却和暖如春，着一层夹袄步出监牢的瞬间，已是汗流浃背。一阵脚步声响...
开封第一讲书人阅读 31,189评论 1赞 260
情欲美人皮
我被黑心中介骗来泰国打工，没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留，地道东北人。一个月前我还...
沈念sama阅读 44,805评论 2赞 349
代替公主和亲
正文我出身青楼，却偏偏与公主长得像，于是被迫代替她去往敌国和亲。传闻我的和亲对象是个残疾皇子，可洞房花烛夜当晚...
茶点故事阅读 42,449评论 2赞 342

Variance in OLS/GLM

1、Linear model(OLS)中的variance估计[Homoscedasticity时]

2、OLS：Heteroscedasticity时的variance估计

3、LR（GLM）中的variance估计[1]

运用

推荐阅读更多精彩内容