逐差法推导：从理论模型到实际应用的逻辑桥梁
1.逐差法推导的 逐差法（Method of Differences）是处理一组连续观测数据时，用以消除系统误差（如仪器零点漂移、环境干扰等）并计算各段变化量的一种经典数学处理方式。在学术研究与工程实践中，该方式常与最小二乘法结合使用，形成“最小二乘逐差法”，后者通过迭代优化求解过程，提升了单次迭代次数和数值稳定性。 从数学原理上看，逐差法的核心思想是将有限组数据划分为若干个等差区间，分别计算各区间间的差值。出于系统误差往往具有线性或规律性，而随机误差则遵循正态分布，通过取不同区间的组合差值，能够抵消局部系统误差。比方说，若系统误差为 $b$，真数据为 $x_i$，观测数据为 $y_i$，则 $y_i - y_{i+1} = (x_i - b) - (x_{i+1} - b) = x_i - x_{i+1}$，误差不随 $i$ 变化。
这种去系统误差的特性，使得逐差法在处理具有周期性或均匀性干扰的数据时尤为有效。 推导过程并非好办的代数消元，其背后隐藏着对数据分布假设的严谨要求。
特别是在引入最小二乘优化后，目标函数从单纯的差值最小化转变为平方和最小化，使得参数估摸的收敛性和最优解的性质形成了本质变化。从统计学角度看，无序数据（如随机数字）无法直接应用逐差法，务必经过特定的变换使其知足正态分布假设。
该方式对数据量有隐含要求，一般起码需求 4 组以上数据才能形成有效的差值对，少于 4 组则无法构成整个的差值矩阵。 ，逐差法的推导过程是一个将物理难题转化为数学模型、利用代数性质剔除干扰项、再辅以统计方式优化求解的复杂过程。它不仅体现了科学研究的严谨性，也展示了数据处理中数学工具的强大功能。通过对推导步骤的深入理解，研究者能够更准地评估模型假设的合理性，进而得出更具可靠性的结论。
2.从零到一的逐差法构造指南

预备阶段：理解数据结构与误差特性 在进行任何计算之前，务必明确待处理数据的物理意义。假设我们有一组关于某物理量随工夫变化的观测值，总共有 $n$ 组数据，记为 $y_1, y_2, ..., y_n$。系统误差一般表现为一个常数 $b$，随机误差则融入其中。我们的目标是求出真的增量值 $x_i = y_i - y_0$。 若直接求差 $y_i - y_j$，结局中仍包含系统误差 $b$。为了消除 $b$，我们需求选取两组数据 $y_i$ 和 $y_j$（$i neq j$），构造差值 $d = y_i - y_j$。出于 $y_i = x_i + b$，$y_j = x_j + b$，则 $d = x_i - x_j$。
此时，差值 $d$ 中不再包含 $b$，进而去除了系统误差。 在实际操作中，若数据量接近 4，我们能够任意配对，如 $(y_1, y_2), (y_2, y_3) dots$。若数据量超过 4，我们需求将数据分成 $m$ 组，每组 $n/m$ 个数据，然后计算 $m$ 组差值的中值，最终平均这些中值作为各物理量间的无量纲量。
这种方式不仅提升了精度，还使得结局不受个别极端值的影响。 >

注意：若数据量不足 4，直接求差无意义，此时需先对数据进行排序或转换，使其知足正态分布假设。

核心推导：构建差值矩阵与线性方程组 推导的核心在于建立数学模型。设 $y_i$ 为第 $i$ 次观测值，$x_i$ 为真值，$b$ 为系统误差（假设 $b=0$ 则简化难题）。我们需求求解 $x_i$。 先寻思好办的两两差值法。若有 6 组数据，可分为 3 组，每组 2 个数据。计算三组差值： $D_1 = y_1 - y_2$ $D_2 = y_3 - y_4$ $D_3 = y_5 - y_6$ 若各组的系统误差相同且等于 $b$，则每组差值包含 $-b$ 和 $+b$，即 $D_k = x_{group,k} - b - x_{group,k+1} + b = x_{group,k} - x_{group,k+1}$。此时 $D_k$ 已去系统误差。 若系统误差不同，设 $y_i = x_i + b_i$，则 $D_k = (x_{group,k} + b_{group,k}) - (x_{group,k+1} + b_{group,k+1}) = (x_{group,k} - x_{group,k+1}) + (b_{group,k} - b_{group,k+1})$。 通过 $D_1, D_2, D_3$ 的线性组合，理论上能够解出 $x_1, x_2, x_3$。具体步骤如下：
1.将 $y_i$ 写成矩阵形式 $Y = X B + E$，其中 $B$ 为变量系数矩阵，$E$ 为误差项。
2.要求 $E B = 0$，即误差项与系数矩阵相乘为零。
3.构造 $B^T B$ 的逆矩阵，求解 $B = (B^T B)^{-1} B^T Y$。 对于 $N$ 组数据，联合求 3 个变量的方程组为 $A x = B Y$。其中 $A$ 为系数矩阵，$B$ 为误差矩阵，$Y$ 为观测矩阵。若误差项均含常数 $b$，则 $B = [1, -1, 1, -1, 1, -1]$。 $$ begin{bmatrix} y_1 \ y_2 \ y_3 \ y_4 \ y_5 \ y_6 end{bmatrix} = begin{bmatrix} 1 & -1 & 0 & 0 & 0 & 0 \ 0 & 1 & -1 & 0 & 0 & 0 \ 0 & 0 & 1 & -1 & 0 & 0 \ 0 & 0 & 0 & 1 & -1 & 0 \ 0 & 0 & 0 & 0 & 1 & -1 \ 0 & 0 & 0 & 0 & 0 & 1 end{bmatrix} times begin{bmatrix} x_1 \ x_2 \ x_3 \ x_4 \ x_5 \ x_6 end{bmatrix} + begin{bmatrix} b \ b \ b \ b \ b \ b end{bmatrix} $$ 通过矩阵运算，理论上可得 $x_i$ 的表达式。但在实际计算中，若 $b neq 0$，直接解 $Ax=By$ 会引入误差。
需引入最小二乘思想。将 $y_i$ 视为真值 $x_i$ 与误差 $b_i$ 的线性组合，构造误差方程 $b = Ax$。最小二乘目标是最小化 $Q = sum (b - Ax)^2$。 最小化 $Q$ 等价于求 $x = (A^T A)^{-1} A^T b$。将此代入误差方程，得 $b = A (A^T A)^{-1} A^T b$。出于 $A (A^T A)^{-1} A^T$ 是投影矩阵，其性质拍板了对齐关系。最终拿到最小二乘解 $x = (A^T A)^{-1} A^T Y$。 >

最小二乘解的公式表示： > $$x = begin{bmatrix} frac{P_1}{P_4} & dots & frac{P_6}{P_4} end{bmatrix}^T$$

> 其中 $P_i$ 为第 $i$ 组数据的加权和，$P_4 = sum_{i=1}^6 y_i$ 为总观测值。