全期望公式

全期望公式 (Law of Total Expectation / Tower Rule)

全期望公式（Law of Total Expectation，简称 LTE），亦称塔法则（Tower Rule）或重期望公式，是概率论与数理统计中连接无条件期望与条件期望的桥梁定理：$E[X] = E[E[X \mid \mathcal{G}]]$。直观：先按已知信息分组求条件期望，再对这些条件期望按分组概率加权平均，即得全局期望。由全概率公式自然导出，是鞅论、贝叶斯推断、计量经济学的基础工具。

公式与形式

离散形式：设离散随机变量 $Y$ 取值 $y_1, y_2, \dots$，则：

连续形式：若 $Y$ 有密度 $f_Y(y)$：

测度论形式：设 $\mathcal{G}$ 为sigma-代数（信息集），则 $E[X] = E[E[X \mid \mathcal{G}]]$。一般地，若 $\mathcal{H} \subseteq \mathcal{G}$（信息嵌套），则：

此即塔性质（Tower Property）：更粗信息集的期望等于先对更细信息集取条件期望再对粗集取期望。

推导与证明

由条件期望定义结合全概率公式直接证明。离散情况：记 $A_j = \{Y = y_j\}$，则 $\{A_j\}$ 构成样本空间的划分。

交换求和次序：

连续情况类似，以积分代求和。测度论版本依赖条件期望的部分平均性质：对任意 $A \in \mathcal{G}$，$\int_A E[X \mid \mathcal{G}] dP = \int_A X dP$。取 $A = \Omega$（全空间），即得 $E[E[X \mid \mathcal{G}]] = E[X]$。

塔性质与重期望迭代

塔法则可反复嵌套。若 $\mathcal{H} \subseteq \mathcal{G} \subseteq \mathcal{F}$（信息逐步精细），则：

特例：$\mathcal{H} = \{\emptyset, \Omega\}$（无信息），条件期望退化为无条件期望，即回到全期望公式。塔性质在鞅（Martingale）定义中起核心作用：$\{M_n\}$ 是鞅当且仅当 $E[M_{n+1} \mid \mathcal{F}_n] = M_n$，反复应用塔性质可得 $E[M_{n+k} \mid \mathcal{F}_n] = M_n$。

计算技巧与应用

分段期望计算：当直接求 $E[X]$ 困难时，引入辅助变量 $Y$，先求 $E[X \mid Y]$，再对 $Y$ 取期望。经典例：复合分布中，设 $N \sim \text{Poisson}(\lambda)$，$X_i$ i.i.d.，求随机和 $S_N = \sum_{i=1}^N X_i$ 的期望：

此即Wald等式（Wald's Equation）的特殊情形。

方差分解：全期望公式与全方差公式配合：

分为"组内方差期望"加"组间期望方差"——是ANOVA和随机效应模型的数学基础。

经济与计量应用

理性预期与有效市场：卢卡斯批判下，代理人利用信息集 $\mathcal{I}_t$ 形成预期。全期望公式意味着：对未来预期的今日预期等于今日预期——$E_t[E_{t+1}[X]] = E_t[X]$（塔性质）。这是欧拉方程迭代和资产定价中无套利条件一致性的保障。

贝叶斯推断：后验期望可写为先验期望的条件期望形式。全期望公式确保贝叶斯估计的无偏性：$E[\hat{\theta}_{\text{Bayes}}] = E[E[\theta \mid \text{Data}]] = E[\theta]$——后验期望的先验期望等于先验期望。同理，经验贝叶斯方法依赖此恒等式。

样本理论：Rao-Blackwell定理的证明核心用全期望公式：充分统计量 $T$ 下，改进估计量 $\hat{\theta}^* = E[\hat{\theta} \mid T]$，其期望 $E[\hat{\theta}^*] = E[E[\hat{\theta} \mid T]] = E[\hat{\theta}]$ 保无偏性，方差由全方差公式得 $\mathrm{Var}(\hat{\theta}^*) \le \mathrm{Var}(\hat{\theta})$。

政策评估：在处理效应框架下，$E[Y] = E[Y \mid D=1]P(D=1) + E[Y \mid D=0]P(D=0)$——总体期望是处理组与控制组条件期望的加权和。倾向得分匹配与双重差分设计都隐含使用全期望公式进行分解。

记忆：全期望 = "先条件期望，再平均"——$E[X] = E[E[X \mid Y]]$。直观：若要猜全国平均收入，可先算各省平均收入，再按各省人口加权平均——两步走，等价于直接全国平均。塔法则强调信息嵌套时"由细到粗，平滑过渡"。