FINAL TRACK 3 · PROOF ENGINE
回归看起来公式最多，其实证明几乎都从同一个表示开始： 是 的线性组合。把三个权重恒等式吃透，HW5、Packet 8 与 practice Q3 会收束成一条路。
不是背五个 variance；是每次从权重性质重新推出。
01 · MODEL IN LAYERS
、、误差互相独立、 固定。
足够推出：LSE 无偏、variance 公式、Gauss–Markov/BLUE。
。
才可推出：精确正态、/ 分布、CI 与检验、零协方差 ⇒ 独立。
Page 1 找模型、假设、wᵢ；Page 2 找推断、practice Q3、ANOVA 与作答骨架。
01.5 · SEE THE LINE BEFORE THE ALGEBRA
想象每个学生是图上的一个点：横坐标 是复习小时数，纵坐标 是考试分数。同样复习 5 小时的人不可能都考完全相同的分数，所以点会围着一条线上下散开。
02 · THE WEIGHT TRICK
先定义三个中心化和：
因为 ，斜率可以改写为：
中心化偏差相加为零。
把 拆开。
平方后分子正好是 。
02.5 · THREE POINTS MAKE THE WEIGHTS VISIBLE
设 。先算中心 ，再算
因此三个权重是
所以斜率立刻变成 。中间点的权重恰好为 0：它在 x 的正中心，主要告诉我们直线的高度，并不告诉我们直线向左还是向右倾斜。
检查 ：给所有 Y 都加同一个常数 c，新增部分是 ，斜率不变。
检查 ：真正的线性趋势 经过加权后，正好留下一个 。
检查 ：独立误差的 variance 相加时，平方权重决定总噪声。
03 · THREE PROOFS, ONE ENGINE
看起来吓人，其实只是“把平均里的每个 ，和斜率里的每个 两两配对”。当 ，两位不同学生的独立误差 covariance 为 0；只剩 的对角配对。最后又因为 ，总和归零。
没有任何一步用到 Normal。只用了 mean model 与权重性质。
一定用不同下标 与 ，否则看不出交叉项为什么消失：
当 ，独立使 covariance 为 0；只剩 ，再用 。
先用 改写：
交叉项消失，正是因为上一问证了 。离 越远，预测均值越不确定；在样本中心最窄。
先用双线性证明 。但一般情形零协方差不等于独立。这里只有一条桥：
04 · PRACTICE EXAM Q3
关键只有 。所以 与 同号，但尺度不同。
为什么回归的 error df 是 n−2？
05 · MLE, MSE, AND T/F
来自对 Normal likelihood 求导。它有偏。
因为 。
正态误差下：
考试若问证明，先去 Page 1 的 wᵢ；若问分布，再到 Page 2 找 t statistic。
“Normal regression 中 variance 的 MLE 总是无偏。”
“Normal error 下 β̂₁ 是精确正态，而不仅是渐近正态。”
06 · TARGETED DRILLS
这是后面 与 intercept variance 的前置。务必用 i/j 双下标。
这是既没进 HW 又没进 practice 的唯一 Packet 8 练习，风险很高。
最后一句“joint Normal, hence uncorrelated implies independent”必须写。
完整展开 至少一次；第二遍只写关键链。
不做数值。只回答：Normal error 让 LSE 成 MLE； 最窄；logistic 把实数映到 (0,1)。
07 · MASTERY GATE
这四行是所有证明的最短入口：线性组合 → wᵢ 性质 → 双线性拆 covariance → joint Normal 负责独立。