Hier werden verschiedene Antworten angezeigt. Ich werde etwas hinzufügen, das noch nicht hier ist.
Erstens ist es nicht b> erforderlich, dass ihre Verteilung um $ 0 symmetrisch ist, damit zufällige Fehler den erwarteten Wert $ 0 $ haben und gleichermaßen positiv oder negativ sind. $ Es ist einfach, Lose zu finden von Gegenbeispielen dazu.
Nehmen wir nun an
$$
Y_i = \ alpha_0 + \ alpha_1 x_ {1, i} + \ cdots + \ alpha_p x_ {p, i} + \ varepsilon_i \ text {for} i = 1, \ ldots, n.
$$
Wir gehen davon aus,
-
Die Fehler $ \ varepsilon_i $ sind zufällig; Die Begriffe $ \ alpha_0 + \ alpha_1 x_ {1, i} + \ cdots + \ alpha_p x_ {p, i} $ sind es nicht. "Zufällig" bedeutet, dass sich jedes Mal, wenn Sie eine neue Stichprobe $ (Y_1, \ ldots, Y_n) $ nehmen, die $ n $ -Fehler ändern, unabhängig davon, was sie für die vorherigen Stichproben von $ n $ Beobachtungen waren. Aber die $ n \ times p $ -Zahlen $ x_ {1, i}, \ ldots, x_ {p, i} $ für $ i = 1, \ ldots, n $ ändern sich nicht; sind daher nicht zufällig.
-
Der erwartete Wert jedes Fehlers ist $ 0. $
- Die Fehler haben alle die gleiche Varianz $ \ sigma ^ 2. $
- Die Fehler sind nicht miteinander korreliert.
Hier sind einige Dinge, die wir nicht b> annehmen:
- Wir gehen nicht b> davon aus, dass die Fehler normal verteilt sind, oder "Gauß", wenn Sie möchten.
- Wir gehen nicht b> davon aus, dass alle Fehler dieselbe Verteilung haben.
- Wir gehen nicht b> davon aus, dass die Fehler unabhängig sind. Unkorrelation ist eine schwächere Annahme.
Beachten Sie, dass die Schätzung der kleinsten Quadrate $ \ widehat \ alpha_k $ von $ \ alpha_k $ eine lineare Kombination $$ c_1 Y_1 + \ cdots + c_n Y_n, \ tag 1 $$ ist, wobei die Koeffizienten $ c_1, \ ldots, c_n $ hängen von den $ n \ times p $ -Zahlen $ x_ {1, i}, \ ldots, x_ {p, i} $ für $ i = 1, \ ldots, n. $
ab
Unter diesen Annahmen können wir zeigen, dass unter allen linearen Kombinationen $ (1) $, die unverzerrte Schätzer von $ \ alpha_k sind, $ derjenige mit dem kleinsten mittleren quadratischen Schätzfehler derjenige ist, der die Schätzungen der kleinsten Quadrate ergibt .
Das ist der Gauß-Markov-Satz.
Daher benötigen wir keine Gaußsche Verteilung, um diese Schlussfolgerung zu ziehen.