KNOWECON WIKI

ARTICLE

严格外生性

严格外生性（Strict Exogeneity） 严格外生性（Strict Exogeneity）是计量经济学中一个核心假设，主要出现在回归分析和面板数据模型中。该假设要求解释变量在所有时期都与误差项正交，即误差项的条件均值不依赖于任何时期的解释变量取值。这一假设是确保参数估计量具备无偏性和一致性的关键前提。 数学定义 考虑线性回归模型： 其中 i 表示个体

浏览 1 更新 2025-10-26

严格外生性（Strict Exogeneity）

严格外生性（Strict Exogeneity）是计量经济学中一个核心假设，主要出现在回归分析和面板数据模型中。该假设要求解释变量在所有时期都与误差项正交，即误差项的条件均值不依赖于任何时期的解释变量取值。这一假设是确保参数估计量具备无偏性和一致性的关键前提。

数学定义

考虑线性回归模型：

yit=xit′β+εit,i=1,…,N,t=1,…,Ty_{it} = \mathbf{x}_{it}'\boldsymbol{\beta} + \varepsilon_{it}, \quad i=1,\ldots,N, \quad t=1,\ldots,T

其中 ii 表示个体，tt 表示时间。严格外生性的正式定义为：

E[εit∣Xi]=0,∀t\mathbb{E}[\varepsilon_{it} \mid \mathbf{X}_i] = 0, \quad \forall t

这里 Xi=(xi1,xi2,…,xiT)\mathbf{X}_i = (\mathbf{x}_{i1}, \mathbf{x}_{i2}, \ldots, \mathbf{x}_{iT}) 囊括了个体 ii 在所有时期（从第1期到第T期）的解释变量观测值。该条件意味着，一旦给定全部时期的解释变量信息，误差项的条件期望恒为零。这一条件等价于要求解释变量与所有时期（无论是过去、现在还是未来）的误差项均不相关。在截面数据（T=1T=1）的特例中，严格外生性退化为同期外生性。

与弱外生性的区别

理解严格外生性的关键在于区分它与弱外生性（Weak Exogeneity）或同期外生性（Contemporaneous Exogeneity）。同期外生性仅要求 E[εit∣xit]=0\mathbb{E}[\varepsilon_{it} \mid \mathbf{x}_{it}] = 0，即当期误差仅与当期解释变量正交，而不限制解释变量的未来或过去取值与当前误差的关系。严格外生性则施加了更强的约束——当期误差不能与任何时期（包括未来）的解释变量相关。

举例来说，若模型 yt=βxt+εty_t = \beta x_t + \varepsilon_t 中，xt+1x_{t+1} 的取值受到 εt\varepsilon_t 的影响（即存在反馈效应），则同期外生性可能仍然成立，但严格外生性必然被违反。在包含滞后被解释变量 yt−1y_{t-1} 作为解释变量的自回归模型中，严格外生性也必定不成立，因为 yt−1y_{t-1} 天然与 εt−1\varepsilon_{t-1} 相关。

在面板数据模型中的关键作用

严格外生性在面板数据模型中占据核心地位。固定效应模型通过组内变换（Within Transformation）或一阶差分（First Difference）剔除个体异质性 αi\alpha_i，然而变换后的OLS估计量仍需依赖严格外生性假设才能保证一致性。具体而言：

  • 固定效应估计量（FE Estimator）：在 TT 固定、N→∞N \to \infty 的渐近框架下，FE估计量一致的前提条件是严格外生性成立。若仅满足同期外生性而严格外生性不成立，FE估计量将产生偏误。
  • 随机效应估计量（RE Estimator）：不仅需要严格外生性，还额外要求个体效应 αi\alpha_i 与解释变量不相关，这正是豪斯曼检验（Hausman Test）的零假设。
  • 一阶差分估计量（FD Estimator）：当 T=2T=2 时，FD与FE等价；当 T>2T>2 时，两者仅在严格外生性成立且误差项无序列相关时才具有相同的渐近效率。

若严格外生性被违反，无论采用FE还是FD，估计量都将产生偏误且不一致，此时必须转向工具变量法（IV）或广义矩估计（GMM）。

严格外生性被违反的典型情形

  1. 含滞后被解释变量的动态面板模型：例如 yit=γyi,t−1+xit′β+εity_{it} = \gamma y_{i,t-1} + \mathbf{x}_{it}'\boldsymbol{\beta} + \varepsilon_{it}，此时 yi,t−1y_{i,t-1} 与 εi,t−1\varepsilon_{i,t-1} 相关，严格外生性无从成立。这是实证研究中最为常见的违反情形。
  2. 反馈效应（Feedback Effect）：当被解释变量 yity_{it} 的变化会反向影响未来解释变量的取值时，严格外生性即被破坏。典型的例子包括：政策评估中当前经济产出冲击影响未来的政府支出决策；企业绩效影响未来的投资决策或融资结构。
  3. 测量误差（Measurement Error）：若解释变量存在经典测量误差，则误差项与观测到的解释变量之间存在相关性，破坏外生性条件。
  4. 遗漏变量偏误（Omitted Variable Bias）：若模型遗漏了某个随时间变化且与解释变量相关的因素，该遗漏因素被归入误差项，导致解释变量与误差项产生相关性。
  5. 样本选择与自选择问题：个体的参与决策或处理状态分配若与潜在结果相关，也会导致严格外生性不成立。

检验方法

实证研究中检验严格外生性的常用方法包括：

  • 豪斯曼检验（Hausman Test）：比较FE与RE估计量的差异。若拒绝零假设，表明个体效应与解释变量相关，RE不一致。虽然豪斯曼检验主要针对个体效应，但在一定程度上也能提示外生性问题。
  • 过度识别检验（Sargan/Hansen J Test）：在GMM框架下检验矩条件的整体有效性。J统计量的零假设为所有工具变量均有效；若拒绝，则暗示部分工具变量与误差项相关，可能存在外生性违反。
  • 直接回归检验：将解释变量的未来领先项（Leads，如 xi,t+1,xi,t+2x_{i,t+1}, x_{i,t+2}）作为附加回归量加入当期方程，联合检验其系数是否显著为零。若未来解释变量能显著预测当期误差，则严格外生性不成立。这一方法直观且易于实施，在应用研究中广泛使用。
  • 序列相关检验（Arellano-Bond Test）：在差分GMM估计后检验差分误差项是否存在二阶序列相关，若存在则提示矩条件可能无效，间接反映外生性假设的问题。

处理方法与替代策略

当严格外生性假设不成立时，研究者可采取以下计量策略：

  • 差分GMM（Difference GMM）：由Arellano和Bond（1991）提出，使用水平值的滞后项作为差分方程的工具变量。核心思想是利用 yi,t−2,yi,t−3,…y_{i,t-2}, y_{i,t-3}, \ldots 等滞后水平值作为 Δyi,t−1\Delta y_{i,t-1} 的工具变量。
  • 系统GMM（System GMM）：由Blundell和Bond（1998）发展，同时估计水平方程和差分方程，将差分变量的滞后项作为水平方程的工具变量。系统GMM比差分GMM更有效率，尤其适用于弱工具变量情形，但需额外假设水平值与个体效应的相关性在时间上稳定。
  • 工具变量法（IV/2SLS）：寻找与内生解释变量相关但与误差项正交的工具变量，通过两阶段最小二乘法获得一致估计。工具变量的相关性和外生性需通过弱工具变量检验和过度识别检验进行验证。
  • 前向滤波正交化（Forward Orthogonal Deviations）：由Arellano和Bover（1995）提出，适用于长面板数据。该方法通过减去未来所有观测值的均值来消除个体效应，能最大程度保留样本信息。
  • 偏差校正法（Bias-Corrected Estimator）：对于动态面板模型，还可采用Kiviet（1995）提出的偏差校正LSDV估计量，通过解析或自助法（Bootstrap）校正固定效应估计的有限样本偏误。

小结

严格外生性是面板数据计量分析中最基础也最重要的假设之一，其核心在于确保解释变量在所有时期均不受误差项的影响。无论是理论推导还是实证应用，研究者都应当仔细审视这一假设的合理性。在实践中，建议研究者首先通过直接回归检验或序列相关检验诊断严格外生性是否成立，若发现违反，则应根据数据特征选择GMM、工具变量法等稳健的估计方法，以保证因果推断的可信度。对严格外生性深入而审慎的理解，是做好现代计量实证研究的基本功。