不可估

不可估 (Non-estimable)

参数不可估性→统计/计量/线性代数中数据/模型设计致无法获某些参数的唯一无偏估计→数据信息不足区分独立影响→根设计矩阵秩不足→完全多重共线性。

线性模型$Y=X\beta+\varepsilon$→OLS→正规方程$X^TX\beta=X^TY$。X列满秩→$X^TX$可逆→唯一解$\hat{\beta}=(X^TX)^{-1}X^TY$→可估。X秩亏→$X^TX$奇→正方程无穷解→单参数不可估。可估函数：$\psi=c^T\beta$可估⇔c在$X^T$行空间内→否则不估→是识别问题。

成因与处理

①完全多重共线性→一自变=他自变精线组合（$X_3=2X_1+X_2$）→无法孤分效应。②虚拟变量陷阱→分类→截距+全类别虚拟→$Male+Female=1$=截距列→列秩亏→$\beta_0,\beta_1,\beta_2$全不估→典型不识。③实验设计缺→某处理组未出现（空单元格）→交互项部分参数不估。

处理法：①施加约束→如性例→设女基准（令$\beta_2=0$→去$Female$）→模变$Income=\beta_0+\beta_1Male+\varepsilon$→$\beta_0$=女均收（基准）→$\beta_1$=男相对差→新定义参可估。②关注可估函数→预测$\hat{Y}$/组间差可估→R/SAS LS-Means=算可估函数。③广义逆→Moore-Penrose伪逆$(X^TX)^-$→得无穷解中范数最小→预值$\hat{Y}$唯一→参数不估但预测不受。④重新参数化→仅留线独预测变→等价施约束。

核心：不可估非计算误→模设结构性→数据不足撑模复→参定义冗余(过参数化)→需理论设(约束)/修问(重参化)→获意义推断。秩、零空间与可估关系→现代数据分析关键。