一致估计

一致估计 (Consistent Estimation)

一致估计（Consistent Estimation）是计量经济学与数理统计中的核心概念，指当样本容量 $n$ 趋向无穷大时，估计量（Estimator）依概率收敛于真实参数值 $\theta_0$ 的性质。形式化表达为 $\operatorname{plim}_{n \to \infty} \hat{\theta}_n = \theta_0$，即对任意 $\varepsilon > 0$，有 $\lim_{n \to \infty} P(|\hat{\theta}_n - \theta_0| > \varepsilon) = 0$。一致性是从样本推断总体的逻辑基石——若无一致性，即便拥有无限数据也无法逼近真实参数，统计推断将失去意义。在计量经济学实践中，一致性通常被视为估计量最低限度的可接受标准：若一个估计量连大样本下都不能收敛到真实值，其小样本表现无论多好都只是巧合。

一致性与无偏性的区别

一致性与无偏性是两个不同的抽样性质，不可混为一谈。无偏性要求估计量的期望等于真实参数：$\mathbb{E}[\hat{\theta}_n] = \theta_0$，是一个小样本性质，不依赖 $n \to \infty$。一致性则是大样本性质，仅关心极限行为。一个估计量可以是有偏但一致的：例如 OLS 中误差方差的最大似然估计 $\hat{\sigma}^2 = \frac{1}{n}\sum_{i=1}^n \hat{u}_i^2$ 在小样本下有偏（$\mathbb{E}[\hat{\sigma}^2] = \frac{n-k}{n}\sigma^2 \neq \sigma^2$），但 $\operatorname{plim} \hat{\sigma}^2 = \sigma^2$——偏误随 $n$ 增大而消失。反之，一个估计量也可以是无偏但不一致的：例如仅使用前两个观测值计算的样本均值 $\hat{\mu}_n = (X_1 + X_2)/2$，无论 $n$ 多大，其期望始终为 $\mu$（无偏），但方差不会随样本增大而消失，故不一致。此例虽刻意，却清晰展示了两个概念的独立性。

充分条件

估计量一致性的常用充分条件为渐近无偏性与方差趋于零：若 $\lim_{n \to \infty} \mathbb{E}[\hat{\theta}_n] = \theta_0$ 且 $\lim_{n \to \infty} \operatorname{Var}(\hat{\theta}_n) = 0$，则 $\hat{\theta}_n$ 是 $\theta_0$ 的一致估计量。该条件由切比雪夫不等式的极限形式直接推出。更一般的工具为大数定律（LLN）：样本均值 $\bar{X}_n$ 是总体均值 $\mu$ 的一致估计量，此结论由柯尔莫哥洛夫强大数定律保证。极大似然估计（MLE）在正则条件（包括可识别性、紧致参数空间、对数似然函数的连续性与可微性）下也具有一致性，这是 MLE 被广泛应用的核心理由之一。广义矩估计（GMM）的一致性则依赖于矩条件的正确设定与权重矩阵的正定性。

需注意，渐近无偏性与方差趋于零并非一致性的必要条件——存在满足一致性但不满足该充分条件的估计量，但其构造通常较为病态，在实际应用中极少出现。

OLS 估计量的一致性

在经典线性回归模型 $y = X\beta + u$ 中，OLS 估计量 $\hat{\beta} = (X'X)^{-1}X'y$ 可重写为 $\hat{\beta} = \beta + (X'X)^{-1}X'u$。取概率极限得 $\operatorname{plim} \hat{\beta} = \beta + \left(\operatorname{plim} \frac{1}{n}X'X\right)^{-1} \operatorname{plim} \frac{1}{n}X'u$。一致性依赖于关键假设 $\operatorname{plim} \frac{1}{n}X'u = 0$，即解释变量与误差项渐近不相关。若该假设成立且 $\operatorname{plim} \frac{1}{n}X'X$ 为非奇异矩阵，则 $\operatorname{plim} \hat{\beta} = \beta$；若违反（如存在遗漏变量偏误、测量误差或联立性偏误），OLS 将不具备一致性，即便样本再大也无法逼近真实参数。此时需借助工具变量（IV）等替代方法，IV 估计量 $\hat{\beta}_{IV} = (Z'X)^{-1}Z'y$ 在工具 $Z$ 满足相关性与外生性条件下具有一致性。

不一致性的常见来源

导致估计量不一致的典型情形包括：（1）遗漏变量偏误——遗漏与解释变量相关的变量使 $\operatorname{plim} \hat{\beta} \neq \beta$，偏误的方向与大小取决于遗漏变量与被包含变量的协方差符号；（2）测量误差——解释变量的经典测量误差使 OLS 估计量向零衰减（衰减偏误），即使在极限下亦如此，其概率极限为 $\beta \cdot \sigma_{x^*}^2/(\sigma_{x^*}^2 + \sigma_{\eta}^2)$，其中 $\sigma_{\eta}^2$ 为测量误差方差；（3）样本选择偏误——基于因变量或非随机机制选择样本，使误差项条件均值非零，典型的如赫克曼选择模型所处理的情形；（4）联立性偏误——解释变量与被解释变量互为因果，打破外生性假定，需通过联立方程模型或 IV 方法解决。

一致性与渐近正态性

一致性通常与渐近正态性联合使用以构建大样本推断。中心极限定理确保 $\sqrt{n}(\hat{\theta}_n - \theta_0) \xrightarrow{d} N(0, V)$，使研究者即使在小样本分布未知的情况下也能构造置信区间与假设检验。一致估计提供统计推断的"准度"，渐近正态性提供推断的"分布形式"，二者共同构成现代计量经济学大样本理论的底层逻辑。在实际应用中，研究者通常报告一致估计量及其渐近标准误，以此为基础进行 $t$ 检验、$F$ 检验与沃尔德检验。即便在小样本下分布未知，一致性也保障了随着数据积累推断将越来越精确，这为经验研究的可累积性提供了方法论基础。