平移不变性

平移不变性 (Translation Invariance)

平移不变性指一个函数、算子或统计过程在输入变量发生平移变换时，其输出或结构性质保持不变的特征。广泛见于统计学估计理论、计量经济学模型设定、信号处理与机器学习中的卷积架构。

统计学中的平移不变性与平移同变性

在点估计理论中，平移不变性是评价估计量合理性的基本准则之一。若参数$\theta$为位置参数（location parameter），对样本全体施加平移$c$后，参数真值亦平移$c$：$X_i \mapsto X_i + c \Rightarrow \theta \mapsto \theta + c$。

平移同变 (Translation Equivariance)：估计量$\hat{\theta}$与数据平移保持同步——$\hat{\theta}(X_1+c,\ldots,X_n+c)=\hat{\theta}(X_1,\ldots,X_n)+c$。样本均值满足平移同变，而样本方差为平移不变的（平移后方差不发生变化）。这一区分导出了最优同变估计量（Best Equivariant Estimator）理论：在平方损失下，Pitman估计量为位置参数类中的最优平移同变估计。

平移不变度量：费雪信息满足平移不变性——$I(\theta)=I(\theta+c)$；KL散度亦为平移不变：$D_{KL}(p(x)\|q(x))=D_{KL}(p(x+c)\|q(x+c))$。此类不变性是推导无信息先验（如Jeffreys先验为常数）的基础。

计量经济学与回归分析

在线性回归模型$y_i = \alpha + \beta x_i + \varepsilon_i$中，截距项$\alpha$提供了平移自由度。若模型不含截距项而数据未中心化，OLS估计丧失平移不变性——预测值随因变量平移偏移。固定效应模型中，组内去均值变换（within transformation）正是为了消除个体异质性（可视为一组平移参数），使得斜率系数的估计在个体平移意义上保持不变的统计推断。

分位数回归满足对因变量单调变换的同变性（含平移）；最大似然估计中，若似然函数关于位置参数为平移不变族，MLE自然满足平移同变。

机器学习与卷积网络

卷积神经网络（CNN）的核心归纳偏置即平移等变性（translation equivariance）：卷积层输出特征图随输入平移而同步平移，池化层则引入近似平移不变性（translation invariance）——小幅平移后输出近似不变。严格的平移不变性通过在特征图上施加全局平均池化（global average pooling）或傅里叶域操作实现。群等变性理论将平移不变性推广至任意对称群，是现代几何深度学习的数学基础。

物理与广义视角

在物理学中，空间平移不变性通过诺特定理（Noether's Theorem）导出动量守恒定律。齐次性假设——空间各点物理规律一致——即是平移不变性的物理表述。经济学中，若个体效用函数在平移变换（如财富线性加成）下序保持不变，则偏好为拟线性，进而简化社会福利函数分析。