学习计量经济学的核心笔记：基于 Wooldridge《Introductory Econometrics》

1. MLR 的核心性质与边际效应

• 模型形式与矩条件：MLR 的一般形式为\(y=\beta_0+\mathrm{X}\beta+u\)，其中\(\mathrm{X}\)为自变量矩阵，\(\beta\)为系数向量；其条件期望为\(E(y|\mathrm{X})=\beta_0+\mathrm{X}\beta\)，条件方差为\(V(y|\mathrm{X})=V(u|\mathrm{X})\)，这意味着\(y\)的变异仅由误差项决定（Wooldridge, 2012）。
• 无偏性与一致性：若满足 MLR.1-MLR.4，系数估计具有无偏性（\(E(\hat{\beta}_j)=\beta_j\)）；大样本下，即使存在小样本偏误，估计仍具有一致性（\(\text{plim}\hat{\beta}_j=\beta_j\)）（Wooldridge, 2012）。
• 交互项的边际效应：当模型含交互项（如\(y=\beta_0+\beta_1x_1+\beta_2x_2+\beta_3x_1x_2\)）时，\(x_1\)对\(y\)的边际效应为\(\partial y/\partial x_1=\beta_1+\beta_3x_2\)，即边际效应依赖\(x_2\)的取值，需结合具体场景解读（Wooldridge, 2012）。

2. 虚拟变量：处理分类变量的关键工具

在实证研究中，分类变量（如性别、政策实施与否）需通过 “虚拟变量” 转化为计量模型可处理的形式。Wooldridge 指出，虚拟变量的核心价值是 “衡量分类状态变化对因变量均值的影响”，具体包括：

• 核心作用：当虚拟变量\(\Delta x=1\)（其他变量固定）时，其系数直接反映因变量均值的变化，即 “平均处理效应”（Wooldridge, 2012）。

• SLR 中的虚拟变量系数：若\(D_f\)为虚拟变量（如 “是否为女性”，1 = 是，0 = 否），\(W\)为因变量（如工资），则系数计算公式为：

  \(\hat{\beta}_1=\frac{\sum D_fW - \bar{D}_f \cdot n\bar{W}}{\sum D_f^2 - n\bar{D}_f^2}\)

  其中\(\bar{D}_f\)、\(\bar{W}\)分别为\(D_f\)和\(W\)的均值，\(n\)为样本量（Wooldridge, 2

• 对数形式的解读：若因变量为对数形式（\(\log(y)=\beta_0+\beta_1x\)，\(x\)为虚拟变量），则\(\beta_1\)的解释为，当\(x\)从 0 到 1 时，\(y\)的近似百分比变化为\(100\times\hat{\beta}_1\)，更精确的百分比变化为\(100\times[\exp(\hat{\beta}_1)-1]\)，这是实证研究中解读分类变量影响的常用方法（Wooldridge, 2012）。

1. 异方差性：识别与修正

异方差（误差项方差随自变量变化）会导致标准误偏误，需通过以下步骤处理：

• 检验方法：

  • BP 检验（Breusch-Pagan Test）：对残差平方\(\hat{u}^2\)做回归（\(\hat{u}^2=\gamma_0+\gamma_1x_1+\dots+\gamma_qx_q+v\)），用\(F\)统计量或\(\chi^2(q)\)分布的\(LM\)统计量检验（\(q\)为自变量个数），R 中可通过 bptest(fit)实现（Wooldridge, 2012）。
  • White 检验：在 BP 检验基础上加入自变量的平方项和交叉项（\(\hat{u}^2=\gamma_0+\gamma_1x_1+\dots+\gamma_mx_ix_j+v\)），无需预设异方差形式，适用性更广，R 中可通过 white.test(fit)实现（Wooldridge, 2012）。

• 解决方法：

  • 短期方案：使用异方差稳健标准误（如 White 稳健标准误），无需改变估计方法，仅修正标准误（Wooldridge, 2012）。
  • 长期方案：加权最小二乘法（WLS），权重\(h\)需与误差项方差负相关，常用拟合值推导的\(\hat{h}_i\)作为权重，虽有偏但具有一致性（Wooldridge, 2012）。

2. 内生性：工具变量（IV）的应用

内生性（自变量与误差项相关）是计量分析的 “顽疾”，其来源包括遗漏变量、联立因果、自变量测量误差。Wooldridge 指出，工具变量（IV） 是解决内生性的核心工具，其应用需满足两个关键假设：

1. 相关性：工具变量\(z\)与内生自变量\(x\)强相关（\(\text{cov}(z,x)\neq0\)）；
2. 外生性：工具变量\(z\)与误差项\(u\)不相关（\(\text{cov}(z,u)=0\)）（Wooldridge, 2012）。

IV 估计的一致性可通过公式验证：

\(\text{plim}\hat{\beta}_{1,\mathrm{IV}}=\beta_1+\frac{\text{cov}(z,u)}{\text{cov}(z,x)}=\beta_1\)

因\(\text{cov}(z,u)=0\)，故 IV 估计能收敛到真实系数\(\beta_1\)，具体估计公式为\(\hat{\beta}_{1,\mathrm{IV}}=\frac{\text{cov}(z,y)}{\text{cov}(z,x)}\)（Wooldridge, 2012）。

书中以 “教育对工资的影响” 为例，提出 “兄弟姐妹数量（\(sibs\)）” 可作为教育（\(educ\)）的 IV—— 兄弟姐妹越多，教育年限通常越低（满足相关性），且兄弟姐妹数量与个人能力（遗漏变量）不相关（满足外生性）（Wooldridge, 2012）。

3. 回归有效性检验：测量误差与模型适配

• 因变量测量误差（EDV）：若真实因变量\(y^*=\beta_0+\beta_1x+u\)，观测值\(y=y^*+e\)（\(e\)为测量误差），则模型变为\(y=\beta_0+\beta_1x+(u+e)\)。若\(\text{cov}(x,e)=0\)，仅会增大误差项方差，不影响估计的无偏性（Wooldridge, 2012）。

• 自变量测量误差（EIV）：若真实自变量\(x^*=\beta_0+\beta_1x^*+u\)，观测值\(x=x^*-e\)（\(e\)为测量误差），则模型变为\(y=\beta_0+\beta_1x+(u-\beta_1e)\)。此时 OLS 估计会出现 “衰减偏误”，概率极限为：

  \(\text{plim}\hat{\beta}_1=\beta_1\cdot\frac{\sigma_{x^*}^2}{\sigma_{x^*}^2+\sigma_e^2}\)

  其中\(\sigma_{x^*}^2\)为\(x^*\)的方差，\(\sigma_e^2\)为\(e\)的方差，估计系数的绝对值会小于真实值（Wooldridge, 2012）。

1. 二元选择模型：处理 “是 / 否” 型因变量

当因变量为二元分类（如 “是否就业”“是否违约”）时，线性回归不再适用，需使用 Logit 或 Probit 模型，其核心是 “条件概率的非线性拟合”：

• 条件概率公式：两类模型的条件概率均为\(P(y=1|\mathrm{X})=G(\beta_0+\mathrm{X}\beta)\)（\(G(\cdot)\)为链接函数，取值\((0,1)\)）：

  • Logit 模型：\(G(z)=\Lambda(z)=\frac{e^z}{1+e^z}\)，导数\(g(z)=\frac{e^z}{(1+e^z)^2}\)（Wooldridge, 2012）；
  • Probit 模型：\(G(z)=\Phi(z)=\int_{-\infty}^z\frac{1}{\sqrt{2\pi}}e^{-v^2/2}dv\)（\(\Phi(\cdot)\)为标准正态累积分布函数）（Wooldridge, 2012）。

• 边际效应：自变量\(x_j\)对\(P(y=1|\mathrm{X})\)的边际效应为\(\frac{\partial P(y=1|\mathrm{X})}{\partial x_j}=g(\beta_0+\mathrm{X}\beta)\cdot\beta_j\)，需通过链接函数的导数\(g(\cdot)\)计算（Wooldridge, 2012）。

• 估计与拟合度：模型通过极大似然估计（MLE）求解，似然函数为\(f(y_i;\beta)=[G(\mathrm{X}_i\beta)]^{y_i}[1-G(\mathrm{X}_i\beta)]^{1-y_i}\)；拟合度用 “伪\(R^2\)” 衡量，公式为\(1 - \frac{\mathrm{Lur}}{\mathrm{Lo}}\)（\(\mathrm{Lur}\)为模型对数似然值，\(\mathrm{Lo}\)为仅含截距的对数似然值）（Wooldridge, 2012）。

2. 面板数据模型：控制个体异质性

面板数据（如 “多个个体的多年观测”）的核心优势是 “控制不随时间变化的个体异质性”（如个人能力、企业特质），Wooldridge 重点介绍了两类方法：

• 一阶差分法：针对模型\(y_{it}=\beta_0+\beta_1x_{1it}+\alpha_i+u_{it}\)（\(\alpha_i\)为个体固定效应），对变量取差分（\(\Delta y_{it}=y_{it}-y_{i(t-1)}\)，\(\Delta x_{1it}=x_{1it}-x_{1i(t-1)}\)），可消去\(\alpha_i\)，得到\(\Delta y_{it}=\beta_1\Delta x_{1it}+\Delta u_{it}\)，此时 OLS 估计具有一致性（Wooldridge, 2012）。

• 双重差分（DID）模型：适用于 “2 组 2 期” 的政策评估（如 “处理组 vs 控制组”“政策前 vs 政策后”），模型形式为：

  \(y=\beta_0+\beta_1\mathrm{post}+\beta_2\mathrm{treat}+\beta_3(\mathrm{post}\times\mathrm{treat})+u\)

  其中\(\mathrm{post}\)为政策后虚拟变量（1 = 政策后），\(\mathrm{treat}\)为处理组虚拟变量（1 = 处理组），交互项系数\(\beta_3\)即为 “政策效应”，直接反映政策对处理组的净影响（Wooldridge, 2012）。