一般线性假设检验

一般线性假设检验 (General Linear Hypothesis Test)

一般线性假设检验是计量经济学和线性回归分析中的一个核心框架，用于检验关于回归模型参数的一组线性约束条件是否成立。与单个系数的t检验不同，一般线性假设检验允许研究者同时检验多个系数的联合假设，因而在处理多重约束、政策效应比较和模型简化等场景中具有不可替代的作用。其理论基础源于普通最小二乘法 (OLS) 框架下残差平方和的分解，检验统计量服从F分布，因此常被称为F检验。

问题的提出

考虑标准的多变量线性回归模型：

Y = X\beta + u, \quad u \sim N(0, \sigma^2 I_n)

其中 $Y$ 为 $n \times 1$ 因变量向量， $X$ 为 $n \times (k+1)$ 设计矩阵（包含截距项）， $\beta$ 为 $(k+1) \times 1$ 参数向量， $u$ 为误差向量。

在许多实证研究中，研究者关心的并非单个斜率系数是否为零，而是一组线性约束是否同时成立。典型问题包括：

排除性约束：某几个自变量是否对因变量没有解释力，即它们的系数是否同时为零。例如， $H_0: \beta_2 = \beta_3 = \beta_4 = 0$ 。
系数相等性：两个自变量的边际效应是否相同。例如， $H_0: \beta_1 = \beta_2$ 。
线性组合约束：参数满足某个线性关系。例如，生产函数中规模报酬不变的检验： $H_0: \beta_1 + \beta_2 = 1$ 。
结构变化检验：Chow检验即是一般线性假设的特例，用于检验两个子样本的回归系数是否相等。

这些假设都可以统一表示为如下一般形式：

H_0: R\beta = r

其中 $R$ 是一个 $q \times (k+1)$ 的约束矩阵（ $q$ 为约束条件的个数）， $r$ 是一个 $q \times 1$ 的常数向量，且 $R$ 行满秩（即各约束条件线性独立）。

模型的两种估计

为了检验 $H_0$ ，需要估计两个版本的模型：

无限制模型 (Unrestricted Model)：不施加任何约束，直接对原模型进行 OLS 估计，得到残差平方和 $\text{SSR}_{ur}$ 。
受限制模型 (Restricted Model)：在 $R\beta = r$ 的约束下进行约束最小二乘法估计，得到残差平方和 $\text{SSR}_r$ 。

由于受限制模型在更小的参数空间中优化，其残差平方和必然不小于无限制模型的残差平方和，即 $\text{SSR}_r \geq \text{SSR}_{ur}$ 。直觉上，如果约束条件为真，两个残差平方和应相对接近；反之，若约束为假， $\text{SSR}_r$ 将显著大于 $\text{SSR}_{ur}$ 。

F统计量的构造

一般线性假设检验的检验统计量为：

F = \frac{(\text{SSR}_r - \text{SSR}_{ur}) / q}{\text{SSR}_{ur} / (n - k - 1)}

在 $H_0$ 成立且经典线性模型假设满足的条件下，该统计量服从分子自由度为 $q$ 、分母自由度为 $(n - k - 1)$ 的F分布：

F \sim F_{q, n-k-1}

其中：

$q$ 为约束条件的数量（分子自由度）。
$n$ 为样本容量。
$k$ 为自变量的个数（不含截距项）。
$\text{SSR}_r - \text{SSR}_{ur}$ 衡量了因施加约束而增加的残差变异。

F统计量也可以等价地用决定系数 $R^2$ 表示：

F = \frac{(R^2_{ur} - R^2_r) / q}{(1 - R^2_{ur}) / (n - k - 1)}

其中 $R^2_{ur}$ 和 $R^2_r$ 分别为无限制模型和受限制模型的决定系数。这一形式在实际计算中更为便捷，因为大多数统计软件直接报告 $R^2$ 。

与t检验的关系

当约束条件只有一个（即 $q = 1$ ）时，F检验与t检验存在精确的对应关系： $F = t^2$ ，且 $F_{1, d}$ 分布中一个自由度为 $1$ 的 F 随机变量恰等于一个自由度为 $d$ 的 t 随机变量的平方。因此，对于单参数检验，使用 F 检验或双边 t 检验会得到完全一致的 p 值。

然而，当 $q > 1$ 时，F检验的联合推断具有 t 检验无法替代的优势。单独对各系数进行多个 t 检验会膨胀第一类错误（即错误地拒绝至少一个真实原假设的概率超过名义显著性水平）。F检验通过一次性地检验联合假设，控制了整体的显著性水平，避免了多重比较问题。

常见应用场景

排除性约束检验

检验一组变量是否对因变量没有解释力。例如，在工资方程中，检验工作经验、工作经验平方和受教育年限的交互项是否同时不显著：

H_0: \beta_{\text{exper}} = \beta_{\text{exper}^2} = \beta_{\text{edu} \times \text{exper}} = 0

受限制模型将这些变量从回归中移除。若 F 统计量不显著，则可以简化模型。

Chow检验（结构变化检验）

Chow检验检验两个时期（或两组）的回归系数是否完全相同。其本质是检验 $k+1$ 个系数的等值约束。设两个子样本的容量分别为 $n_1$ 和 $n_2$ ，无限制模型分别对两组估计（共 $n_1 + n_2$ 个观测， $2(k+1)$ 个参数），受限制模型则对全样本施加等系数约束。对应的 q 等于 $k+1$ 。

规模报酬检验

在柯布-道格拉斯生产函数 $\ln Q = \beta_0 + \beta_1 \ln L + \beta_2 \ln K + u$ 中，常数规模报酬要求 $\beta_1 + \beta_2 = 1$ ，对应 $R = (0, 1, 1)$ ， $r = 1$ 。F检验可直接对此线性约束进行推断。

检验的假设条件与诊断

一般线性假设检验的有效性依赖于经典线性回归模型的假设：

误差项服从正态分布：这是 F 统计量在小样本下精确服从 F 分布的关键。在大样本下，由于中心极限定理，F 统计量渐近服从 $\chi^2_q / q$ 分布，正态性假设可以放松。
同方差性：若存在异方差性，标准的 F 检验不再有效。此时需使用异方差-稳健标准误并构造Wald检验统计量。
无完全共线性：设计矩阵必须满列秩。

当同方差假设不成立时，可以采用异方差稳健的 Wald 统计量：

W = (R\hat{\beta} - r)' \left[ R \cdot \widehat{\text{Var}}(\hat{\beta})_{\text{robust}} \cdot R' \right]^{-1} (R\hat{\beta} - r) \xrightarrow{d} \chi^2_q

其中 $\widehat{\text{Var}}(\hat{\beta})_{\text{robust}}$ 为怀特异方差稳健协方差矩阵估计量。

与其他检验框架的关系

一般线性假设检验是三种经典大样本检验的特例或近亲：

Wald检验：仅需估计无限制模型，直接检验 $R\hat{\beta} - r$ 是否接近零向量。在经典线性模型且正态误差下，Wald 统计量乘以适当的缩放因子等价于 F 统计量。
似然比检验 (LR Test)：分别估计受限制和无限制模型的似然函数，比较二者的差异。在正态线性回归中，LR 统计量是 F 统计量的单调变换。
拉格朗日乘数检验 (LM Test / Score Test)：仅需估计受限制模型，检验受限制估计量处的得分向量是否接近于零。适用于受限制模型较易估计的场合。

在正态线性回归模型中，三者渐近等价，且在小样本下 F 检验是精确检验。在非正态或非线性模型中，三者的数值可能不同，但均服从相同的渐近 $\chi^2_q$ 分布。

实际计算与解释

在实际操作中，进行一般线性假设检验的步骤为：

明确约束矩阵 $R$ 和常数向量 $r$ 。
估计无限制模型，记录 $\text{SSR}_{ur}$ 或 $R^2_{ur}$ 。
估计受限制模型，记录 $\text{SSR}_r$ 或 $R^2_r$ 。
代入 F 统计量公式，计算 F 值。
在给定显著性水平 $\alpha$ 下，若 $F > F_{q, n-k-1, \alpha}$ （临界值），则拒绝 $H_0$ ；或等价地，若p值小于 $\alpha$ ，则拒绝 $H_0$ 。
拒绝 $H_0$ 意味着至少有一个约束条件不成立；但 F 检验本身并不指出具体哪些约束被违反。此时需要进一步分析单个约束或子集约束。

大多数计量软件（如Stata、R语言、Python的 statsmodels 包）均提供了内置命令来执行一般线性假设检验。例如 Stata 中的 \texttt{test} 命令、R 中的 \texttt{linearHypothesis()} 函数（来自 \texttt{car} 包）等，可直接输入线性约束的表达式，由程序自动构造 R 矩阵并计算 F 统计量及其 p 值。

返回百科索引