最小二乘法的歷史溯源及其教學啟示*

李 健 (人民教育出版社課程教材研究所 100081)

用最小二乘法估計一元線性回歸模型的參數，既是高中統計教學中的一個重點，也是一個難點．但受限于某些客觀原因[1]，許多一線教師并不注重其教學質量，僅對學生提出能夠記住公式、會計算的低階思維層次要求．這種現象不僅可能使學生失去重要的統計思維培養機會，還容易使學生產生消極的數學學習情感，十分不可取．那么，如何改變這種現狀？一條有效的途徑是通過數學史料，幫助師生理解最小二乘法的由來與特點．統計史書籍記載了許多關于最小二乘法的發展史，這些史料有助于教師更好地認識與理解最小二乘法，進而改善其對最小二乘法的教學．本文的目的即對最小二乘法進行歷史溯源，并據此提出教學啟示．

1 一個亟待解決的參數估計問題

18世紀，測地學中面臨確定船只在大海中的位置、測量地球經線長度等問題；而在天文學中，土星與木星通過引力對各自軌道的影響問題也十分棘手．盡管問題的背景不同，但這些問題都可以轉化為利用實際測量值估計線性方程的參數問題[2]76-77.例如對于可以實際測量到的量x1,x2,x3，若某方程a1x1+a2x2+a3x3=0成立，如何才能有效地估計出a1,a2,a3呢？

由于x1,x2,x3可以通過實際測量得到，故可以通過3次測量，將3組測量值(x1i,x2i,x3i)分別代入方程a1x1+a2x2+a3x3=0，其中i=1,2,3，再將三個方程聯立得到關于a1，a2，a3的三元線性方程組

(1)

進而求解．

由于測量值(x1i,x2i,x3i)存在誤差，故所求得的a1,a2,a3也自然存在誤差．為了盡可能地減小誤差，人們想到增加測量次數進行估計的方式來應對．

那么，究竟是如何使用多次測量值估計a1,a2,a3的呢？不妨設進行了9次測量，則將9組測量值(x1i,x2i,x3i)分別代入方程a1x1+a2x2+a3x3=0，其中i=1,2,…,9，再將9個方程聯立，可得關于a1，a2，a3的三元線性方程組(2)：

(2)

為了解決上述問題，當時的科學家或數學家們采用了許多方法，例如梅耶、歐拉、拉普拉斯等人都對這一問題進行了研究[2]76-77.盡管他們采用的具體方法不一，但其核心思想類似，均是將多個方程合并為數量較少的幾個方程，并且保證這幾個方程恰好有唯一解．以方程組(2)為例，可以將前三個方程、中間三個方程、后三個方程的左右兩邊分別求和，將得到的三個新方程聯立，進而得到新的方程組(3)．接下來，只要能夠順利求解出方程組(3)，就可以得到a1,a2,a3的估計值．

(3)

然而，上述方法卻存在很多不足之處，例如合并方程的原則是什么，以及這種估計方法的誤差有多大[2]79，都無法得到良好的解決．因此，如何利用實際測量值估計線性方程組的系數，成為當時的一項緊迫任務．

2 最小二乘法的誕生及其特點

2.1 最小二乘法的誕生

自19世紀初誕生后，最小二乘法很快得到一些歐洲天文和測地工作者的廣泛應用．隨后，高斯也注意到最小二乘法的重要性，并將最小二乘法和概率結合起來，提出了計算誤差的算法[4]．由于這部分內容與高中教學的關聯性不強，故不在此進行過多介紹，有興趣的教師可以自行查閱相關文獻．

2.2 最小二乘法對極端數據的敏感性

盡管最小二乘法比起前人的估計方法有了長足的進步，但依然存在一些難以讓人滿意的地方，其中一個顯著的短板即對極端數據的敏感性：最小二乘法特別容易受到極端數據的影響．

例如在人教A版《普通高中教科書(數學·選擇性必修第三冊)》的“一元線性回歸”一節中，設置了一道研究父親與兒子身高關系的問題[5]107．已知14對父親及其兒子的身高數據，通過最小二乘法，可以得到這組數據對應的線性回歸直線 (圖1)．在其他點不變的情況下，將其中的點P(182,185)替換為點Q(162,185)，利用最小二乘法將得到一條新的線性回歸直線(圖2)．觀察圖2中的點Q，它與其他點相距甚遠，屬于極端數據．再通過比較圖1與圖2中的線性回歸直線，能夠明顯發現兩者間的差異，這反映出最小二乘法對極端數據的敏感性．

圖1 圖2

2.3 最小二乘法與最小一乘法的比較

最小一乘法和最小二乘法的另一個差異體現在解的數量與形式[6].回歸分析中使用最小一乘法，有時可能出現多個解，并且無法得到解的顯式表達，并不適合更為復雜的數學推導和研究；而利用最小二乘法得到的解通常是唯一的，且有顯式表達，這對進一步的數學推導和研究十分重要．

3 教學啟示

通過對最小二乘法的歷史溯源，使我們看到了最小二乘法更加鮮活的一面．從教學層面而言，“最小二乘法的歷史溯源”這一教學資源，體現出其獨特的價值，能為一線高中數學教師的教學帶來如下幾方面的啟示．

3.1 突出測量值估計模型參數的應用價值，充分激發學生的學習積極性

《普通高中數學課程標準(2017年版)》(下稱《課標》)要求學生掌握一元線性回歸模型參數的最小二乘估計方法[7]，可見最小二乘法具備極強的工具屬性．溯源最小二乘法的發展史可知，其產生背景源自天文學與測地學中的實際應用需要，抽象出的數學問題即為“如何以測量值估計線性回歸模型的參數？”實際上，通過測量值合理地估計方程系數，正是求解一元線性回歸模型的關鍵．通過以上分析，建議教師可以在教學中突出體現測量值估計模型參數的應用性，這符合最小二乘法的歷史發展，能夠使學生感受數學的應用價值，增強學生對數學的認同感，充分激發學生的數學學習積極性．

3.2 重視殘差平方和的表達形式，加強學生對統計思想的理解

最小二乘法作為估計一元線性回歸方程參數的工具，蘊含著極有價值的數學思想．估計一元線性回歸模型的參數時，最小二乘法的本質是求得殘差平方和(*)最小時的參數估計值，教學時應當重視學生對殘差平方和表達形式的理解．對于表達式(*)，其教學關鍵之一在于使學生感受為什么要對殘差的平方進行求和．在統計活動中，通常的做法是通過“精煉”所收集數據的個性化信息，以獲取少量的整體信息，例如計算一組數據的算術平均數，最終將無法看到每個原始數據，而只能看到一個代表其集中趨勢的值．最小二乘法中的求和運算也是起到這個作用，為了找到大量數據的最佳擬合直線，需要“精煉”大量的殘差信息，轉而獲取所有殘差信息的代表值，在最小二乘法中的這個代表值即殘差平方和．實際上，對個體信息的匯總處理方式，被稱為“聚合”(Aggregation)，統計學家、統計學史家施蒂格勒將“聚合”列為統計學的七大支柱之首，其重要性不言而喻[8].因此，教學時可以引導學生思考為何要進行求和運算，這將有助于學生更好地體會統計中的聚合思想．

3.3 強調使用不同估計方法的異同，提升學生的數學方法論認識

盡管《課標》僅要求學生掌握最小二乘法，但通過本文中的歷史溯源可知，利用實際測量值估計一元線性回歸模型的參數方式不止一種．在人教A版《普通高中教科書(數學·選擇性必修第三冊)》中，就提出了最小一乘法與最小二乘法兩種方式[5]108．在比較最小一乘法與最小二乘法的優劣時，應該了解二者各有所長：如果問題僅僅是尋找數據對應的一元線性回歸模型，在方便使用計算機的前提下，最小一乘法便是一種極好的選擇，它能夠弱化極端數據對估計造成的影響；但如果缺少計算機工具，或者需要進行更復雜的數學問題分析，那么采用最小二乘法得到一元線性回歸模型的具體表達式則更顯方便．通過對使用不同估計方法的異同進行比較，將有助于提升學生的數學方法論認識，通常而言，數學問題的解決方法并無好壞之分，應該針對具體問題與客觀條件，考慮哪種方法更合適．