用中国茶叶的价格来预测墨尔本的降雨概率？不可思议的斯坦悖论

在统计学的海洋里，有些悖论就像灯塔一样，引导我们重新审视自己的认知和方法。其中最令人费解的一例就是由查尔斯·斯坦（Charles Stein）提出的斯坦悖论（stein's paradox）。这一概念挑战了我们关于最优估计的传统观念，并在多维数据分析中开创了新的思路。然而，斯坦悖论也经常被误解或过度简化。一些流行文章甚至声称，根据这一悖论，我们可以用中国茶叶的价格来更准确地预测墨尔本的降雨概率！这种说法听起来不可思议，甚至有些荒谬。

那么，斯坦悖论究竟是什么？我们真的可以“用任何东西来估计任何东西”吗？如果这一悖论真的成立，为什么墨尔本的气象学家还是只依赖于气象卫星，而不是茶叶价格呢？在这篇文章中，我们将探讨斯坦悖论的真正含义，解析其在现代统计学和数据科学中的应用。

1961年，这篇文章使整个统计学界产生了分歧，它挑战了长期以来被广泛接受并坚定信奉的统计学原则或假设，该结果现在被称为斯坦悖论。

假设有一组遵循正态分布的数据，均值为未知的μ，方差为1，

现在，随机从这个分布中选取一个数据点（样本），比如3.14，你能估算出μ的值吗？

它看起来稍大于3.14，你可能估计μ为3.14。为什么？因为正态分布的数据是集中在其平均值μ周围的，所以有很大的可能性，选取的3.14在μ附近，你的估计误差不会太大。

从理论上讲，这是“最好”的估值。现在，给出两组数据，它们彼此之间完全无关，但它们都遵循均值分别为μ_1和μ_2，方差都为1的正态分布。再次，从每个分布中随机选取1个数据，假设它们分别是3.14和1.618。

现在你会估计μ_1和μ_2分别多少？通过完全相同的逻辑，你可能也会估计μ_1为3.14，μ_2为1.618。这是这种情况下的“最好”估值。

但是，如果有三组独立的数据，事情就会发生变化。完全相同的分布：正态分布，未知的均值和方差1。通常，如果分别随机选取数据点x_1、x_2和x_3，那么你会再次估计μ_1=x_1，μ_2=x_2，μ_3=x_3吗？

但是现在这不再是最好的估值了，因为在1961年，我们找到了一个更好的估值，叫做詹姆斯-斯坦估值（James-Stein estimator）。如果数据点是x_1、x_2和x_3，那么下面就是詹姆斯-斯坦估值法对平均值的估计：

所以，为了估计μ_1，最好在前面乘以这个因子，

而不是简单地直接估值为x_1。这真的令人惊讶。这三组数据彼此之间完全独立，但是为了估计μ_1，最好结合所有三个数据点，因为前面的因子取决于x_1、x_2和x_3。

这个令人惊讶的结果现在被称为斯坦悖论。不止于此，詹姆斯-斯坦估值可以推广到p组数据，其中p至少为3，而且有这个因子：

所以简单地估计x_1=μ1，x_2=μ2是1和2维上的最佳估计。但是在3维和3维以上被詹姆斯-斯坦估值所取代。这是怎么回事？

“最好”的估值

要量化估值的优良程度，我们使用均方差（Mean squared error），

μ（hat）是估值、μ是真实但未知的均值。

在多组数据的情况下，将这些估值和均值视为向量，并考虑其平方的范数。

换句话说，我们只考虑每个组成部分的平方差，然后将它们全部加起来，最后取平均值：

这考虑到了估值中的随机性，明确地说，如果已经确定了某个样本X，它就也确定了估值：

那你就不能再引入自己的估值，这个过程已经是确定的了，不是随机的，

但取得的样本是随机的，所以这里的期望值考虑了样本的所有可能值。换句话说，这是估值平均偏离真值的程度。例如，在一维情况下，估值的均方差是多少？就是取得的样本，所以如果取得的样本是X，那么估值就是X。在这种情况下，均方差结果是X的方差的公式，

我们假设正态分布的方差是1，所以这种情况下的均方差是1。但误差通常取决于μ（真实的均值）。

为了说明这一点，我们取一个想当然的估计量7，无论取什么样本，均值估计都是7。然后均方差是，

然而，里面的平方不取决于样本X，所以它不是一个随机量。

因此，期望值就是：

这显然取决于真实的均值μ。我们可以将这两个估值的均方差与真实均值μ进行对比。普通估值（经典方法的估值）是一个常数1，与μ无关；而想当然的估值7是一个抛物线，以μ = 7为中心，

在这种情况下，我们不能明确地说哪个估值更好，因为如果真实的均值实际上接近7，那么想当然的估值7将比普通估值更好，即它具有更小的均方差。但当然，对于其他范围，普通估值表现更好。

所以，假设一个估值A的均方差始终小于另一个估值B，那么我们说A优于B（A主导B）。

称普通的估值为“最好”估值，是因为没有估值优于它，所以这个完全低于普通估值的蓝色图不会出现，

当然，有些区域可以被超越，像想当然的估值7的周围区域，但不是完整的参数空间，

更专业地说，如果下面的蓝线不会发生在任何其他的估值上，这样的估值被称为“可接受的”：

所以在这种情况下，普通的估值是可接受的。

在更高的维度，普通估值均方差是各个组成部分之和，

所以只是把那些均方差加起来。如果有p组数据，因为单个估值的均方差是1，那么总和就是p，与真实的均值μ_1到μ_p无关。所以再次，如果绘制均方差图，它将呈现为一条直线。

然而，詹姆斯-斯坦估值的图，明显低于普通估值。换句话说，詹姆斯-斯坦估值优于普通估值。这仅适用于p = 3。对于p的其他值，

可以看到詹姆斯-斯坦估值的比普通估值好得多，尤其是当均值接近0时。但为什么詹姆斯-斯坦估值表现得更好？

收缩因子

如果想要一个更严格的解释，需要大量的数学运算。我不在这里展示，因为这不会让你更深入的理解。

如果观察詹姆斯-斯坦估值的形式，有一个因子，通常被称为收缩因子（shrinkage factor）（因为这个因通常子在0和1之间）。

然而，如果数据点太小，那么分母可能会非常小，这将使得假定的“收缩”因子实际上是负的。即使有这个缺陷，詹姆斯-斯坦估值仍然表现得更好。从几何上讲，在二维情况下，我们可以将真实均值μ_1和μ_2绘制为2D平面上的一个点。方差1意味着数据大致呈现如下分布，

围绕红点呈圆对称。那么产生的均方误差将首先取样本到红点的距离，将其平方，然后重复对距离平方，取平均的操作。

下面是收缩因子可能使平均值最小化的原因：对于远离原点的点，通过使其靠近原点，也会靠近红点。缺点是，对于已经靠近原点的点，收缩因子会使其更加接近，远离红点。

幸运的是，只有这个有限的圆形区域的点，会因为向原点收缩而远离红点。对于所有其他点，通过向原点收缩，会更靠近红点。

这甚至包括坐标轴左边的点。所以总的来说，可能会减少到红点的距离。

让我们把这个蓝色区域叫做远端，绿色区域叫做近端。

问题是，如果收缩在远端只给出了微小的减少，但在近端有相当大的增加呢？然后，通过有更大的减少区域获得的优势就会减小。

当我们计算察詹姆斯-斯坦估值到原点的距离时，就会有收缩因子乘以到原点的距离。

所以，绝对的距离减少是这个额外的项，

可以简化为这样

注意，到原点距离在分母中，这意味着如果到原点距离很大，即远离原点，那么这种距离的减少就更小。这是我们不想看到的，因为它正好在远端，到原点距离很大，红点的减少更小，而在近端，红点的距离增加更大。

因此，总是存在一种张力，即潜在的距离减少区域要大得多，而实际的距离减少要小得多。

这就是维度发挥作用的地方。

例如，在三维中，我们可以类似地将真实的均值绘制为一个点。同样，可以定义近端和远端。

在更高的维度中，那里有更多的“东西”，所以更大的体积的影响就会更加明显，这使得收缩方法在更高的维度中真正起作用。这已经是现代统计学中一个相当重要的经验教训，但还有一个更普遍的概念。

偏差-方差权衡（Bias-bariance tradeoff）

让我们重新审视均方差的公式，

这可能会让你想起方差公式，

现在，我们可以简单地重新整理这个公式，并将X替换为

然后将得到一个将均方差分解为两个部分的公式，

因为μ是一个常数，不是随机的，所以，

另一部分，

被称为偏差。

用文字来说，均方差是方差和偏差平方的和。

但是这意味着什么？

从图像上来说，假设真实的均值μ由一条垂直线表示，

记住，估计值是随机的，因为它取决于样本，所以它有一个分布，

这描述了当分布的均值μ_hat恰好是μ，即偏差为0的情况。

然而，其方差相当大，所以如果我们进行估计，很可能会远离μ，误差就相当大。

有时候，引入一点偏差可能实际上会更好，如果方差能够显著减小。

然后大部分时间，它就不会远离μ太远，整体均误差仍然很小。

这就是所谓的偏差-方差权衡，这个想法是，在某些情况下，通过稍微增加偏差，使得方差可以大幅度减少，从而均方差可以减少。这在詹姆斯-斯坦中表现得非常好。

普通估值只是直接复制数据点，这种估计不会有偏差。

但是在收缩过程中，显然这些点的中心并不完全是红点，所以这显然是有偏的。

然而，这些点比没有收缩时更靠近一起，减少了方差。

当然，一个无偏的估值，如普通估值，有一些美丽的对称性，但它可能表现更差。

应用

也许你可能会认为这只是一个简单的理论问题，但是关于收缩和偏差-方差权衡的经验在现代统计学中极其重要。

如今，很多时候，我们处理的是真实世界的情况，我们试图用一个数学模型来模拟它，其中有一些输入和输出。

通常，模型可能有很多参数，你可以将其视为对输入添加不同的权重；但是我们不希望真实世界的情况是那么数学化的，如果模型预测和真实世界的情况之间存在任何区别，我们就说这只是由于随机的“噪音”。

然后，基于在真实世界的情况中观察到的很多样本输入-输出对，我们试图估计并调整那些参数或权重，这样就可以用更少的“噪音”项来解释掉任何差异。

詹姆斯-斯坦估值所的是，如果需要估计的参数很多，收缩因子实际上可以减少均方差，而且当参数数量变得越来越大时，效果会更加显著。

对于更复杂的模型，收缩甚至可以帮助我们决定哪些输入是重要的，哪些不是，特别是我们可以将一些权重全部收缩到0。

收缩的这个概念在机器学习领域被称为正则化（regularization）。

当然，我们可能不会在真实世界的情况中直接使用詹姆斯-斯坦估值，但是收缩和偏差-方差权衡将继续应用于现代统计学。