时间序列均值估计：从样本均值到BLUE，谱密度如何决定估计效率？
1. 平稳过程均值估计：从直觉到数学
在信号处理、计量经济学或者金融时间序列分析里，我们常常面对一个看似简单却至关重要的问题：给你一串按时间顺序记录的数据，比如过去几年的每日气温、股票价格或者某个传感器的读数，你如何准确地估计出这个数据序列背后那个“恒定不变”的平均水平？这个“恒定不变”的平均值，在统计模型里，我们称之为均值参数 m。
你可能会想，这还不简单？把所有数据加起来除以个数，不就是样本均值吗？没错，这就是最小二乘估计（LSE），它直观、计算简单，而且通常表现不错。但在时间序列的世界里，数据点之间往往不是独立的，今天的温度会影响明天，上个月的股价波动会波及下个月。这种“记忆”或“依赖性”使得简单的算术平均可能不是最“聪明”的估计方法。因为它给每个历史数据点赋予了相同的权重，而忽略了数据间相关性所蕴含的信息。
于是，统计学家们提出了一个更优的解决方案：最佳线性无偏估计（BLUE）。它的目标很明确：在所有可能的线性、无偏的估计量中，找到那个方差最小的，也就是最精确的。想象一下，你要用一堆精度不一的砝码（数据点）去称一个未知重量的物体（均值 m）。BLUE 就像是找到一套最优的加权方案，给更稳定、信息量更大的砝码分配更高的权重，从而得到最准确的重量估计。
然而，BLUE 的理论很美，实践却很骨感。它的计算公式涉及到整个序列的协方差矩阵的求逆，当数据量 n 很大时，计算量爆炸，且我们通常并不知道真实的协方差结构。这就引出了两个核心的、极具实际意义的问题：
- 当样本量
n趋于无穷时，这个理论上最优的 BLUE 的精度（即方差）衰减得有多快？它的极限行为由什么决定？ - 我们常用的、计算简便的最小二乘估计（LSE），在多大程度上“接近”这个理论上的最优解？它的效率损失有多大？
本文将深入探讨这两个问题。你会发现，答案紧密地缠绕在时间序列的一个核心特征上——谱密度，尤其是它在频率零点附近的行为。这不仅仅是理论上的精妙，它直接指导我们：在面对具有长期记忆（如宏观经济指标）或反持续性（如某些高频金融数据）的序列时，是否还能安心地使用普通的最小二乘法？答案可能出乎你的意料。
2. 模型设定与核心概念解析
2.1 基本模型与估计量形式
我们考虑一个经典的加性噪声模型：
X(t) = m + Y(t), t ∈ Z
其中，m 是我们需要估计的未知常数均值。{Y(t)} 是一个零均值的宽平稳过程，它是我们观测数据 {X(t)} 中的“噪声”或“波动”部分。
平稳性意味着 Y(t) 的统计特性（如均值、方差）不随时间平移而改变，其协方差函数 r(k) = Cov(Y(t), Y(t+k)) 只依赖于时间差 k。更关键的是，根据谱表示定理，这个协方差结构可以通过一个称为谱密度 f(λ) 的函数来完全刻画，其中 λ ∈ [-π, π] 代表角频率。协方差与谱密度的关系由傅里叶变换给出：
r(k) = ∫_{-π}^{π} e^{i k λ} f(λ) dλ
谱密度 f(λ) 可以理解为将序列的总方差（功率）按不同频率成分进行分解的“功率谱”。频率 λ 处的 f(λ) 值越大，说明序列中该频率的周期性波动成分越强。
假设我们观测到一段长度为 n+1 的样本 {X(0), X(1), ..., X(n)}。我们考虑所有可能的线性无偏估计量，其形式为：
\hat{m}_n = Σ_{k=0}^{n} c_k X(k)
其中权重 {c_k} 满足无偏性条件：Σ_{k=0}^{n} c_k = 1。这个条件保证了 E[\hat{m}_n] = m。
这个估计量的方差为：
Var(\hat{m}_n) = Σ_{j=0}^{n} Σ_{k=0}^{n} c_j c_k r(j-k)
我们的目标就是在 Σ c_k = 1 的约束下，找到一组权重 {c_k}，使得上述方差最小。由此得到的估计量就是 最佳线性无偏估计（BLUE），记为 \hat{m}_{BLU}。
2.2 BLUE 的矩阵形式与计算困境
通过拉格朗日乘数法求解上述约束优化问题，我们可以得到 BLUE 的显式解。令观测向量 X = (X(0), ..., X(n))^T，协方差矩阵 R_n 是一个 (n+1)×(n+1) 的托普利茨矩阵，其第 (j, k) 元素为 r(j-k)。再令全1向量 1 = (1, 1, ..., 1)^T。
那么，BLUE 的最优权重向量 c 和其方差分别为：
c^T = (1^T R_n^{-1} 1)^{-1} 1^T R_n^{-1}
\hat{m}_{BLU} = c^T X = (1^T R_n^{-1} 1)^{-1} 1^T R_n^{-1} X
Var(\hat{m}_{BLU}) = (1^T R_n^{-1} 1)^{-1}
> 注意： 这个公式在理论上是完美的，但它揭示了一个巨大的实践障碍：它要求我们知道完整的协方差矩阵 R_n 并对其进行求逆。在实际应用中，真实的协方差结构（即谱密度 f）是未知的，需要从数据中估计。而直接对高维矩阵 R_n 求逆，不仅计算复杂度高（O(n^3)），在数值上也不稳定。这正是推动我们研究其渐近理论的核心动机——我们想知道，当 n 很大时，能否绕过这个复杂的计算，对 BLUE 的精度和行为有一个本质性的理解？
2.3 效率的定义：衡量估计量优劣的尺子
为了比较不同估计量的好坏，我们引入效率的概念。对于一个无偏线性估计量 \hat{m}，其效率定义为：
e(n, \hat{m}, f) := Var_f(\hat{m}_{BLU}) / Var_f(\hat{m})
其中分母是待评估估计量的方差，分子是在相同谱密度 f 下 BLUE 的方差。显然，0 < e ≤ 1。效率越接近1，说明该估计量越接近最优。
我们更关心的是大样本下的表现，即渐近效率：
e(∞, \hat{m}, f) := lim_{n→∞} e(n, \hat{m}, f)
如果渐近效率等于1，我们就说估计量 \hat{m} 是渐近有效的。这意味着当样本量足够大时，这个估计量的精度和 BLUE 一样好。我们最关心的候选者，就是简单的最小二乘估计（LSE），即样本均值：\hat{m}_{LS} = (1/(n+1)) Σ_{k=0}^{n} X(k)，其权重 c_k ≡ 1/(n+1)。
3. 记忆结构、谱密度与过程的确定性
在深入渐近理论之前，必须理解平稳过程的一个根本性分类，这直接决定了 BLUE 方差衰减的速度和 LSE 的效率。
3.1 从谱密度看记忆类型
根据谱密度 f(λ) 在原点（零频率）附近的行为，我们可以将平稳过程分为三类：
- 短记忆过程：谱密度
f(λ)在λ=0处是有限的正值，且在整个频域上有界。这意味着序列的依赖关系衰减得很快（如指数衰减）。经典的 ARMA 模型就属于此类。0 < C1 ≤ f(λ) ≤ C2 < ∞ - 长记忆过程：谱密度
f(λ)在λ=0处趋于无穷大，通常以幂律形式发散：f(λ) ~ |λ|^{-ν}，0<ν<1。这表明序列具有长期依赖性，自相关函数衰减缓慢（如双曲衰减）。ARFIMA 模型（当分数差分参数d>0）和分数高斯噪声（当 Hurst 指数H>1/2）是典型代表。 - 反持续过程：谱密度
f(λ)在λ=0处趋于零，例如f(λ) ~ |λ|^{ν}，ν>0。这种过程表现出负的长期相关性，其波动比白噪声更频繁地穿越均值线。ARFIMA 模型（当d<0）和分数高斯噪声（当H<1/2）属于此类。
3.2 过程的确定性：一个深刻的谱条件
一个更基础、也更微妙的分类是基于过程的“可预测性”，即确定性与非确定性。考虑用无限过去的数据 {X(t), t ≤ -1} 来一步预测 X(0)。如果基于无限历史信息做出的最佳线性预测的误差为零，则称该过程是确定性（或奇异）的；否则，称为非确定性的。
科尔莫戈罗夫和塞戈的著名定理将这一性质与谱密度联系了起来：一个具有绝对连续谱（即谱密度存在）的过程是非确定性的，当且仅当它满足塞戈条件：
∫_{-π}^{π} ln f(λ) dλ > -∞
这个条件要求 ln f(λ) 是可积的。它非常严格，意味着谱密度 f(λ) 不能“太接近”零。即使 f(λ) 只在单个点（比如原点）为零，但如果它趋于零的速度太快（例如 exp(-1/|λ|)），也可能导致积分发散到负无穷，从而违反塞戈条件，使过程成为确定性的。
> 实操心得： 这里有一个关键且反直觉的点。过程的“确定性”并不意味着我们可以完美预测未来，而是指从线性预测的角度，无限过去的信息已经包含了关于未来的全部信息。在实际数据分析中，我们通常假设过程是非确定性的（满足塞戈条件），因为确定性过程在现实中较为罕见，且其理论处理也更为复杂。但意识到这种分类的存在，有助于理解后续关于 BLUE 方差指数衰减的极端情况。
4. BLUE 渐近方差的行为规律
现在，我们进入核心问题之一：当样本量 n 增大时，Var(\hat{m}_{BLU}) 如何衰减？研究表明，其衰减速率完全由谱密度 f(λ) 在频率零点 λ=0 附近的行为所决定。
4.1 非确定性模型：双曲衰减（幂律衰减）
对于满足塞戈条件的非确定性过程，BLUE 的方差通常以双曲速率（即 n 的负幂次）衰减到零。具体形式如下：
如果谱密度在原点附近满足 f(λ) ~ |λ|^{-2d} L(1/|λ|)，其中 -1/2 < d < 1/2，L(·) 是一个缓慢变化函数（如对数函数），那么有：
Var(\hat{m}_{BLU}) ~ C * n^{2d-1} L(n), 当 n → ∞
这里，d 是记忆参数。
- 当
0 < d < 1/2（长记忆），2d-1 > -1，方差衰减速率慢于1/n。 - 当
d = 0（短记忆），方差以经典的1/n速率衰减。 - 当
-1/2 < d < 0（反持续），2d-1 < -1，方差衰减速率快于1/n。
推导逻辑与解释：这个结论可以通过将 BLUE 的方差最小化问题，转化为单位圆上的一个极值问题（塞戈极值问题）来理解。Var(\hat{m}_{BLU}) 的倒数 (1^T R_n^{-1} 1) 渐近等价于 n 阶 Christoffel 函数 λ_n(1, f)。而 λ_n(1, f) 的渐近行为，又由谱密度 f 在零点附近的奇异性（或零性）主导。幂律形式的谱密度会导致 Christoffel 函数的幂律增长，进而使得 BLUE 的方差呈幂律衰减。
4.2 确定性模型：指数衰减
对于确定性过程（违反塞戈条件），BLUE 的方差衰减可以快得多，达到指数级。一个关键的必要条件是：谱密度 f(λ) 在零点任意小的邻域内，在一个正勒贝格测度集上恒为零。
> 注意： 这是一个非常强的条件。它不仅仅是说 f(0)=0，而是要求 f(λ) 在一个区间（无论多小）上严格为零。例如，f(λ) = 0, 当 |λ| < ε。在这种情况下，过程在零频率附近完全没有功率，其样本路径异常光滑，使得均值的估计精度以指数速度提升。
技术细节：指数衰减的速率与谱密度零点集的“容量”有关，可以用该集合的切比雪夫常数 τ(F) 来描述。如果谱支撑集 F = {e^{iλ}: f(λ)>0} 不包含整个单位圆，那么有：
limsup_{n→∞} [Var(\hat{m}_{BLU})]^{1/n} ≤ exp(-1/τ(F)) < 1
这明确指出了方差至少以指数速率 exp(-n/τ(F)) 衰减。
5. 最小二乘估计的渐近效率分析
既然 BLUE 计算复杂，我们自然关心简单易用的最小二乘估计（LSE）\hat{m}_{LS} 在多大程度上是“足够好”的。其效率完全取决于模型的记忆结构和谱密度在零点的连续性。
5.1 短记忆且谱密度在零点连续：LSE 是渐近有效的
这是最经典、也是最理想的结论，由 Grenander 在1950年代确立。如果过程是短记忆的，并且其谱密度 f(λ) 在 λ=0 处连续且 f(0) > 0，那么有：
lim_{n→∞} e(n, \hat{m}_{LS}, f) = 1
这意味着在大样本下，简单的样本均值与理论上最优的 BLUE 具有相同的精度。直观上，在短记忆情况下，数据间的相关性衰减很快，远距离观测值提供的关于均值的新信息很少，因此等权重平均几乎就是最优的线性组合。
5.2 长记忆或反持续过程：LSE 可能严重低效
当过程具有长记忆或反持续性时，情况变得复杂，LSE 的效率可能严重下降。
-
长记忆过程 (
d > 0)：此时，f(λ)在零点发散。研究表明，LSE 的渐近效率是一个介于 0 和 1 之间的常数，具体值取决于记忆强度d。例如，对于简单的分数差分噪声（ARFIMA(0,d,0)），有：e(∞, \hat{m}_{LS}, f) = (1 - 2d) ∈ (0, 1)， 当 0 < d < 1/2当d接近 0.5 时，效率趋近于 0。这意味着在强长记忆过程中，使用样本均值会损失大量信息，估计精度远低于 BLUE。 -
反持续过程 (
d < 0)：此时，f(λ)在零点趋于零。一个著名的结果是，如果谱密度在零点有一个二阶零点（即f(λ) ~ λ^2），那么 LSE 的渐近效率为 0。这是一个非常强烈的结论：在这种模型下，当样本量增大时，样本均值的相对效率会衰减到零，变得完全不可接受。
> 实操心得： 这个结论对实际应用有重大警示。在分析可能存在长记忆（如水文数据、波动率序列）或反持续性（如某些差分后的金融序列）的数据时，盲目使用样本均值估计整体水平可能是非常低效的。你需要首先通过样本自相关函数、重标极差分析（R/S）或基于谱的方法来诊断记忆类型。如果存在长记忆，应考虑使用更复杂的估计方法，例如基于频域的低频回归或精确最大似然估计，它们能更有效地利用数据的依赖结构，接近 BLUE 的精度。
5.3 谱密度在零点不连续：效率损失
即使过程是短记忆的，如果谱密度 f(λ) 在 λ=0 处存在跳跃间断点，LSE 也可能不是渐近有效的。此时，LSE 的渐近效率会小于1，具体损失取决于跳跃的大小。这是因为在零点的不连续性影响了最优权重在频域上的分配，而等权重的 LSE 无法适应这种变化。
6. 理论结果的推导框架与核心工具
要深入理解上述结论从何而来，需要掌握几个关键的数学工具和转换视角。
6.1 将估计问题转化为极值问题
BLUE 方差 Var(\hat{m}_{BLU}) = (1^T R_n^{-1} 1)^{-1} 的计算，可以巧妙地转化为一个在单位圆上的多项式极值问题。定义函数空间 L^2(μ)，其内积为 ⟨g, h⟩ = ∫ g(e^{iλ}) \overline{h(e^{iλ})} dμ(λ)，其中 dμ(λ) = f(λ)dλ。
令 Q_n(1) 为所有满足 q_n(1)=1 的、次数不超过 n 的三角多项式集合。那么，可以证明：
Var(\hat{m}_{BLU}) = min_{q_n ∈ Q_n(1)} ∫ |q_n(e^{iλ})|^2 f(λ) dλ
这个等式的右边称为 n 阶 Christoffel 函数 λ_n(1, f)。因此，研究 BLUE 的方差渐近性，就等价于研究 Christoffel 函数 λ_n(1, f) 当 n→∞ 时的增长行为。
6.2 塞戈理论、正交多项式与几何平均
Christoffel 函数的渐近行为由著名的塞戈定理及其推广所刻画。对于满足塞戈条件（∫ ln f > -∞）的非确定性过程，有：
lim_{n→∞} (λ_n(1, f))^{1/n} = exp( (1/(2π)) ∫_{-π}^{π} ln f(λ) dλ )
等式右边正是谱密度 f 的几何平均 G(f)。更精确的渐近公式则依赖于 f 在零点附近更细致的行为，这需要用到正交多项式理论和局部谱密度假设。
对于确定性过程（∫ ln f = -∞），Christoffel 函数的增长不再由几何平均主导，而是由谱支撑集 F 的对数容量或切比雪夫常数 τ(F) 决定，这导致了之前提到的指数衰减行为。
6.3 效率分析的频域视角
LSE 的方差可以显式计算为：
Var(\hat{m}_{LS}) = (1/(n+1)^2) Σ_{j=0}^{n} Σ_{k=0}^{n} r(j-k)
在频域上，这等价于：
Var(\hat{m}_{LS}) = ∫_{-π}^{π} |D_n(λ)|^2 f(λ) dλ
其中 D_n(λ) = sin((n+1)λ/2) / ((n+1) sin(λ/2)) 是狄利克雷核。|D_n(λ)|^2 是一个在零点处有尖峰、且峰高为 n+1 的核函数。
LSE 的效率 e(n) = Var(\hat{m}_{BLU}) / Var(\hat{m}_{LS})。分析其极限，本质上就是比较 Christoffel 函数 λ_n(1,f)（最优权重下的积分）与用狄利克雷核平滑后的积分 ∫ |D_n|^2 f dλ（等权重下的积分）的渐近比值。当 f(λ) 在零点连续时，狄利克雷核的聚焦效应使得 ∫ |D_n|^2 f dλ ~ (2π/(n+1)) f(0)。同时，可以证明 λ_n(1,f) ~ (2π/(n+1)) f(0)，因此比值趋于1。当 f(λ) 在零点有奇点（长记忆）或零点（反持续）时，狄利克雷核的平滑效果与最优权重的聚焦点不匹配，导致了效率损失。
7. 扩展、应用与实操考量
7.1 连续时间模型与希尔伯特空间方法
上述理论框架可以自然地推广到连续时间观测的平稳过程 {X(t), t∈R}。此时，BLUE 的构造涉及积分而非求和，协方差函数变为 r(t-s)，谱密度定义在整个实数轴上。渐近结论在形式上类似，BLUE 方差的衰减速率仍由谱密度在原点附近的行为决定。
帕曾（Parzen）等人发展了一套更一般的希尔伯特空间方法，将线性估计问题置于抽象的希尔伯特空间框架下。这允许我们处理更广泛的线性泛函估计问题，而不仅仅是均值估计，为统一理解各类线性预测和滤波问题提供了强大的工具。
7.2 伪最佳估计量：一种实用的妥协
由于真实的谱密度 f 未知，我们无法计算精确的 BLUE。一个自然的想法是使用一个基于估计谱密度 \hat{f} 或假设模型（如 AR(p)）的“准最优”权重。这类估计量被称为伪最佳估计量。研究表明，只要谱密度估计足够一致（特别是在零频率附近），由此构造的伪最佳估计量可以具有与 BLUE 相同的渐近分布。这为实际应用提供了可行的路径：先通过模型识别（如 AIC、BIC）和参数估计（如极大似然）得到一个谱密度估计 \hat{f}，然后代入 BLUE 的公式计算权重。
7.3 实际操作中的诊断与选择流程
面对一个时间序列数据，如何选择均值估计方法？以下是一个建议的决策流程：
- 平稳性检验：首先确保序列是（弱）平稳的。可使用单位根检验（如 ADF 检验）、查看序列图、自相关图等。
- 记忆性诊断：
- 绘图：观察样本自相关函数（ACF）。长记忆过程的 ACF 衰减非常缓慢，呈双曲线状；短记忆过程则呈指数快速衰减。
- 统计检验：使用重标极差分析（R/S）计算 Hurst 指数
H，或进行分数整合阶数d的假设检验（如 GPH 估计量、局部 Whittle 估计量）。 - 谱分析：绘制周期图，观察其在低频（接近零频率）处的形态。长记忆表现为功率谱在零频发散，反持续表现为在零频处凹陷。
- 选择估计策略：
- 如果诊断为短记忆，且无明显证据表明谱密度在零点不连续：放心使用样本均值
\hat{m}_{LS}。它是渐近有效的，且计算简单稳健。 - 如果诊断为长记忆 (
0 < d < 0.5或H > 0.5)：- 目标为高精度估计：考虑使用频域估计方法。一种常见方法是利用 BLUE 的渐近近似形式，其权重与
1/f(λ)在低频处的行为有关。可以拟合一个长记忆模型（如 ARFIMA），得到谱密度估计\hat{f}，然后构造伪最佳估计量。在 R 语言中，arfima或fracdiff包可以辅助完成。 - 目标为稳健或初步估计：可考虑使用子样本均值或加权样本均值，但需清楚其效率可能不是最优。同时，报告估计量的标准误时，必须使用适用于长记忆的、调整后的公式（如基于
n^{1-2H}的尺度），而不能直接用s/√n。
- 目标为高精度估计：考虑使用频域估计方法。一种常见方法是利用 BLUE 的渐近近似形式，其权重与
- 如果诊断为反持续 (
d < 0或H < 0.5)：需要格外小心，特别是当怀疑谱密度在零点有深谷时。样本均值的效率可能极低。此时，应优先考虑基于模型（如拟合 ARFIMA(d,0,0) 且d<0）的极大似然估计，或专门针对反持续过程设计的估计方法。
- 如果诊断为短记忆，且无明显证据表明谱密度在零点不连续：放心使用样本均值
- 不确定性量化：无论采用哪种点估计，都必须计算其标准误。对于非标准估计量（如伪最佳估计），可通过拔靴法（Bootstrap） 来获得估计量的方差。对于长记忆过程，需要使用能够保持长记忆结构的块状拔靴法或频域拔靴法。
8. 常见问题与误区辨析
8.1 为什么长记忆下样本均值效率低？
误区：认为样本量大了，任何估计都会很准。 辨析：在长记忆过程中，数据点间存在强烈的长期正相关。这意味着即使相隔很远的数据点，也携带了大量重复的、关于均值的信息。样本均值平等对待所有数据点，相当于把许多高度冗余的信息重复计算。而 BLUE 通过最优权重，降低了这些高度相关数据的权重，更有效地提取了独立信息。因此，在相同样本量下，BLUE 能获得更小的方差。
8.2 谱密度在零点连续与否，影响究竟有多大？
误区：只要谱密度没有奇点，LSE 就应该有效。 辨析：连续性，尤其是在零点的连续性，至关重要。一个在零点跳跃的谱密度，意味着极低频成分（代表长期趋势）的功率突然变化。BLUE 的最优权重会在频域上针对这一跳跃进行调整，而等权重的 LSE 无法做到这一点，从而导致信息利用不充分，产生恒定的效率损失。这在处理带有结构性断点或周期趋势的数据时需要特别注意。
8.3 如何判断一个实际过程是否“确定性”？
误区：从时间序列图看起来随机，就是非确定性的。
辨析：确定性是一个深刻的谱性质，无法从有限样本的路径图中直接判断。一个谱密度在零点某个邻域内严格为零的过程，其样本路径可能看起来非常光滑，几乎没有高频噪声。在实际中，纯粹的确定性过程很少见。更常见的是接近确定性的“轻确定性”过程，其谱密度在零点以极快速度趋于零（如 exp(-1/|λ|)）。诊断这类过程非常困难，通常需要非常大量的数据和对谱密度尾部行为的精细建模。
8.4 对于金融时间序列，直接应用这些结论安全吗？
误区：将针对平稳线性模型的结论直接套用于金融数据。 辨析：金融收益率序列通常不满足平稳性（存在波动聚集），也常具有非线性特征。直接应用本文结论存在风险。标准的做法是：
- 对原始价格序列取对数差分，得到近似平稳的收益率序列。
- 检验收益率序列的平稳性和线性性。
- 如果存在条件异方差（如 GARCH 效应），本文讨论的均值估计方法主要针对无条件均值。对于动态条件均值模型（如 ARMA-GARCH），其常数项的估计问题更为复杂，需要联合估计均值与波动率方程。
- 金融序列有时表现出“长记忆波动率”，但收益率本身的长记忆性较弱。在估计收益率均值时，应首先诊断其记忆类型。许多研究表明，股指收益率序列的均值过程接近短记忆，因此样本均值可能是合理的。但对于某些宏观经济变量或波动率序列，长记忆性则很明显。
> 个人体会：理论为我们提供了清晰的边界和方向，比如“长记忆下慎用样本均值”。但在实战中，数据生成过程永远比模型复杂。我的经验是，诊断先于决策。花时间用多种方法（ACF、R/S、谱图、多种 d 估计量）交叉验证记忆类型和谱特征，比直接套用某个高级估计方法更重要。当诊断结果模糊或样本量有限时，样本均值的稳健性往往是更可贵的属性。同时，报告结果时一定要附上考虑了依赖结构的标准误，这是很多应用研究中容易被忽略但至关重要的一步。
1854 721 582 1360 139 8 4927 162 217