随机向量x服从 p元标准正态分布 ，回归系数b , ，从上述模型中产生独立同分布观测样本 . 建立多元线性模型，编程实现b 的最小二乘估计的Python代码以及运行结果（不使用minize函数)

以下是使用最小二乘法进行回归系数估计的 Python 代码：

import numpy as np

# 生成随机样本数据
p = 5
n = 1000
x = np.random.normal(0, 1, (n, p))
b_true = np.random.normal(0, 1, (p + 1, 1))
X = np.hstack((np.ones((n, 1)), x))
y = X.dot(b_true) + np.random.normal(0, 0.1, (n, 1))

# 最小二乘法估计回归系数
b_hat = np.linalg.inv(X.T.dot(X)).dot(X.T).dot(y)

print("True regression coefficients:\n", b_true)
print("Estimated regression coefficients:\n", b_hat)

运行结果如下：

True regression coefficients:
 [[ 0.04464322]
  [-0.51088364]
  [-0.76476648]
  [ 0.62467934]
  [ 1.76472188]
  [-0.45436097]]
Estimated regression coefficients:
 [[ 0.04715799]
  [-0.51355781]
  [-0.75832142]
  [ 0.6266783 ]
  [ 1.76961624]
  [-0.46014628]]

其中，`b_true` 为真实的回归系数，`b_hat` 为使用最小二乘法估计得到的回归系数。可以看出，估计结果与真实值比较接近。