零化矩阵

零化矩阵

零化矩阵在计量经济学与线性代数中有双重所指：广义上指幂零矩阵（nilpotent matrix），即存在正整数 $k$ 使得 $N^k = 0$ 的方阵；狭义上特指OLS回归中的残差生成矩阵（residual maker）$M = I - X(X'X)^{-1}X'$，因其将 $X$ 零化（$MX = 0$）而得名。两者均体现了"将某对象映射为零"的代数结构。

幂零矩阵

方阵 $N \in \mathbb{R}^{n \times n}$ 称为幂零矩阵，若存在最小正整数 $k$（幂零指数，index of nilpotency）使得 $N^k = 0$ 而 $N^{k-1} \neq 0$。核心性质：幂零矩阵的所有特征值均为零——若 $\lambda$ 为 $N$ 的特征值，则由 $N^k v = \lambda^k v = 0$ 推得 $\lambda = 0$。由此，$\operatorname{tr}(N) = 0$，$\det(N) = 0$，且特征多项式为 $p(\lambda) = \lambda^n$（Cayley-Hamilton定理直接给出 $N^n = 0$，故幂零指数上限为 $n$）。

Jordan标准型视角：幂零矩阵相似于由Jordan块 $J_m(0)$（对角线为零、超对角线为 1 的 $m \times m$ 矩阵）构成的块对角矩阵，其中最大 Jordan 块尺寸等于幂零指数。典型例子：$N = \begin{pmatrix} 0 & 1 & 0 \\ 0 & 0 & 1 \\ 0 & 0 & 0 \end{pmatrix}$ 满足 $N^2 \neq 0$ 但 $N^3 = 0$，幂零指数为 3。

OLS 残差生成矩阵（零化子矩阵）

在线性回归模型 $Y = X\beta + \varepsilon$ 中，定义投影矩阵 $P = X(X'X)^{-1}X'$ 和残差生成矩阵 $M = I - P$。$M$ 是幂等矩阵（$M^2 = M$）且满足关键零化性质：$MX = 0$——解释变量矩阵被 $M$ 零化。对因变量 $Y$，$MY = Y - X\hat{\beta} = \hat{\varepsilon}$ 即 OLS 残差向量。

$M$ 的代数与统计性质：

• 秩：$\operatorname{rank}(M) = n - k$，其中 $k$ 为回归元个数，对应残差自由度。
• 幂等性：$M^2 = M$，保证投影的不可压缩性。
• 正交性：$MP = PM = 0$，残差空间与拟合值空间正交。
• 迹：$\operatorname{tr}(M) = n - k$，残差方差无偏估计 $\hat{\sigma}^2 = \frac{Y'MY}{n-k}$ 直接依赖于此。

核心应用

Frisch-Waugh-Lovell定理（FWL）：将回归元分块 $X = [X_1, X_2]$，定义 $M_1 = I - X_1(X_1'X_1)^{-1}X_1'$ 零化 $X_1$，则 $X_2$ 在排除 $X_1$ 影响后的偏回归系数 $\hat{\beta}_2$ 等价于 $M_1 Y$ 对 $M_1 X_2$ 的回归系数。FWL 定理将多元回归分解为逐次"零化—回归"的清洗过程，是理解固定效应、去均值化和工具变量两阶段最小二乘法的代数基础。

残差诊断：$M$ 的对角元素 $h_{ii}$（杠杆值）度量第 $i$ 个观测对拟合值的拉动强度；标准化残差和Cook距离均依赖 $M$ 的结构。若 $M$ 接近零矩阵则模型近乎完美拟合（过拟合风险），若 $M \approx I$ 则 $X$ 几乎无解释力。

差分算子为零化矩阵特例：一阶差分矩阵 $\Delta$ 作用于时间序列时，零化常数项——因 $\Delta c = 0$。面板数据的组内变换（within transformation）矩阵 $Q = I - D(D'D)^{-1}D'$（$D$ 为个体虚拟变量矩阵）零化个体均值，是 $M$ 结构在面板数据固定效应估计中的直接推广。

与幂零矩阵的区别

注意：OLS 的 $M$ 是幂等（idempotent）而非幂零——$M^2 = M \neq 0$（除非 $M = 0$）。幂零矩阵描述"经有限步到达零"的动态过程，在差分方程、协整的向量误差修正模型（VECM）和状态空间模型的能达性分析中有重要应用。两种零化结构——幂零的逐步消去与幂等的瞬时投影——共同构成计量经济学中线性代数工具的两条核心脉络。