嗨，我来帮你捋捋这个问题——你估计出来的beta维度是n×n而不是预期的1×1，核心问题大概率出在特征矩阵的维度构造和矩阵运算顺序上，咱们一步步拆解：

先看你代码里的关键问题点 #

你现在的x = np.array([x_original])会生成一个(1, 100)的行向量，但线性回归的最小二乘公式要求特征矩阵X是**(样本数n, 特征数p)**的形状，单变量场景下就是(100, 1)的列向量。行向量直接参与矩阵运算时，会导致后续的转置、乘法完全偏离预期维度。

另外你注释掉了x_transpose = x.T，但就算解开注释，行向量转置后是(100,1)，如果后续运算顺序错了（比如算x @ x.T而不是x.T @ x），也会得到不符合要求的矩阵维度。

具体修正步骤 #

1. 修正特征矩阵x的维度

把行向量改成列向量，最简单的方式是用reshape：

import numpy as np
from scipy.linalg import lstsq

x_original = np.random.normal(1, 1, 100)
x = x_original.reshape(-1, 1)  # 转为(100, 1)的列向量，-1表示自动推导行数

2. 正确构造响应变量y

确保真实系数和噪声的维度和x匹配，避免numpy广播带来的隐性问题：

beta_true = np.array([[5]])  # 用(1,1)的矩阵存储真实系数
y = x @ beta_true + np.random.normal(0, 10, size=(100, 1))  # y是(100,1)的列向量

3. 按最小二乘公式正确计算估计系数

严格遵循公式：$\hat{\beta} = (X^T X)^{-1} X^T y$，代码实现如下：

# 计算X^T X并求逆
xtx_inv = np.linalg.inv(x.T @ x)
# 计算X^T y
xty = x.T @ y
# 得到估计的beta
beta_estimated = xtx_inv @ xty

这时候beta_estimated的维度就是(1,1)，完全符合你的预期。

4. 用现成库函数验证（更省心）

如果不想手动写矩阵运算，直接用scipy的最小二乘函数，它会自动处理维度问题：

beta_estimated, _, _, _ = lstsq(x, y)

返回的beta_estimated同样是(1,1)的数组。

为什么之前会得到n×n的矩阵？ #

假设你之前错误地用行向量x=(1,100)计算了x.T @ x，这会得到一个(100,100)的矩阵（因为100维列向量乘100维行向量），再对这个矩阵求逆，自然就是(100,100)的结果——这就是你看到的n×n维度问题的根源。

内容的提问来源于stack exchange，提问作者Franz