2 min read

计量经济学：基于 Wooldridge《Introductory Econometrics》

2015/11/12

在研究生阶段学习计量经济学时，我系统学习了 Jeffrey M. Wooldridge 的《Introductory Econometrics: A Modern Approach》（第 5 版），收获颇丰。对于初入计量经济学领域的学习者，选择一本体系清晰、实用性强的教材至关重要。这本书以 “按需引入假设” 为原则，将计量理论与商科决策、政策评估等实际场景（Wooldridge, 2012）。以下是我基于这本书的核心内容，梳理的计量经济学基础框架与关键方法笔记，希望也能为大家的学习提供清晰路径。

一、计量经济学的基石：回归假设与简单线性回归（SLR）

任何计量分析的起点，都是对回归模型假设的理解。Wooldridge 在书中强调，多元线性回归（MLR）的核心假设直接决定估计结果的有效性，其中最关键的包括：

  • MLR.2（无自相关假设）：误差项满足零自相关，即$\text{cov}(u_i,u_j)=0$（$i\neq j$），这意味着误差项之间无系统性关联，保证了观测的随机性（Wooldridge, 2012）。
  • MLR.5（同方差假设）：若违背此假设（即出现异方差），误差项的条件方差会变为$V(u|\mathrm{X})=\sigma^2h(\mathrm{X})$（$h(\mathrm{X})$为自变量的函数），导致回归系数的标准误（$\text{se}(\hat{\beta}_j)$）偏误，此时需改用异方差稳健$t$统计量和$F$统计量修正（Wooldridge, 2012）。
  • MLR.6（正态性假设）：作为 MLR.4（外生性）和 MLR.5 的子集，这一假设仅在小样本下需满足，大样本可通过中心极限定理放松，无需额外验证（Wooldridge, 2012）。

而简单线性回归（SLR）作为最基础的模型，其核心逻辑可通过三个关键公式体现：

  1. 模型形式：$y=\beta_0+\beta_1x+u$，其中$y$为因变量，$x$为自变量，$\beta_0$（截距）和$\beta_1$（斜率）为待估系数，$u$为误差项；预测值公式为$\hat{y}=\hat{\beta}_0+\hat{\beta}_1\hat{r}$（$\hat{r}$为$x$的样本估计值）（Wooldridge, 2012）。
  2. 平方和分解：$\mathrm{SST}=\mathrm{SSE}+\mathrm{SSR}$，其中$\mathrm{SST}$（总平方和）衡量$y$的总变异，$\mathrm{SSE}$（解释平方和）衡量$x$能解释的变异，$\mathrm{SSR}$（残差平方和）衡量未解释的变异，三者共同反映模型的解释力（Wooldridge, 2012）。
  3. **决定系数 **：$R^2=r_{xy}^2=r_{y\hat{y}}^2$（$r_{xy}$为$x$与$y$的相关系数，$r_{y\hat{y}}$为$y$与预测值$\hat{y}$的相关系数），取值范围为$[0,1]$，越接近 1 说明模型拟合度越高（Wooldridge, 2012）。

值得注意的是，SLR 和 MLR 的估计均基于普通最小二乘法（OLS），其核心目标是 “最小化残差平方和”（$\min[\sum\hat{u}^2]$），这一方法能保证在满足基本假设时，估计系数具有无偏性和有效性（Wooldridge, 2012）。

二、从简单到复杂：多元线性回归（MLR）与虚拟变量

当研究场景涉及多个自变量时，MLR 成为核心工具。Wooldridge 在书中详细拆解了 MLR 的关键性质与应用技巧：

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）。

三、解决计量 “陷阱”：异方差、内生性与模型检验

在实证分析时，计量经济学模型的基本假设常难以满足。Wooldridge 教材构建了系统化的问题处理框架，针对异方差、内生性等关键问题，提供具体的诊断与解决方案，以确保模型估计的有效性与可靠性。

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）。

四、拓展场景：二元选择模型与面板数据

除线性回归外，Wooldridge 还覆盖了两类重要的拓展模型 —— 二元选择模型（Logit/Probit）和面板数据模型，以应对更复杂的实证场景。

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）。

五、总结

Wooldridge 的《Introductory Econometrics》之所以成为经典，在于它跳出了 “纯理论推导” 的框架，以 “解决实际问题” 为导向 —— 从基础的 SLR/MLR，到异方差、内生性的修正，再到 Logit/Probit、面板数据的拓展，每一个知识点都配套实例和数据集，让你能快速将理论转化为实证能力（Wooldridge, 2012）。

参考文献

Wooldridge, J. M. (2012). Introductory econometrics: A modern approach (5th ed.). Cengage Learning. https://www.amazon.com/Introductory-Econometrics-Modern-Approach-Economics/dp/1111531048