代理变量

代理变量：不可观测变量的实证替代方案

代理变量（Proxy Variable）是计量经济学和统计学中用于替代不可观测变量（Unobservable Variable）或遗漏变量（Omitted Variable）的可观测变量。在实证研究中，许多核心概念——如人力资本、社会地位、制度质量、技术能力——往往无法直接测量或缺乏精确的量化指标。代理变量的引入使研究者能够在无法直接观测到目标变量的情况下，仍能对其影响进行有效的统计推断。然而，代理变量的使用并非无条件有效，其有效性依赖于一系列严格的假设条件，误用代理变量可能带来比不设代理更严重的偏误。

代理变量的基本逻辑

设研究者关心的真实模型为 $y = \beta_0 + \beta_1 x_1^* + \beta_2 x_2 + u$，其中 $x_1^*$ 是不可观测的真实变量，$x_2$ 是可观测的控制变量。若直接使用可观测的代理变量 $x_1$ 替代 $x_1^*$ 进行回归，所得的系数估计 $\hat{\beta}_1$ 是否一致，取决于 $x_1$ 与 $x_1^*$ 之间的关系以及 $x_1$ 与误差项之间的独立性。

标准的经典测量误差（Classical Errors-in-Variables）模型将代理变量视为真实值加噪声：$x_1 = x_1^* + e$，其中 $e$ 为测量误差。当测量误差满足经典假设（与 $x_1^*$ 无关、与回归误差 $u$ 无关）时，OLS估计将产生衰减偏误（Attenuation Bias）——系数估计偏向零。这是因为测量误差增加了解释变量的方差，从而稀释了其对被解释变量的解释力。

代理变量的有效性条件

代理变量有效性的核心条件可概括为两条。第一，相关性条件：代理变量必须与不可观测的真实变量具有足够强的相关性。若 $x_1$ 与 $x_1^*$ 之间的相关系数过低，则代理变量所携带的信息量不足，无法有效控制遗漏变量偏误。第二，排除性条件：在控制了包含在模型中的其他变量后，代理变量对 $y$ 的影响应完全通过 $x_1^*$ 传导，即 $x_1$ 不应直接进入 $y$ 的决定方程，且代理变量的测量误差不应与回归误差相关。这等价于要求条件独立性假设 $y \perp x_1 \mid x_1^*, x_2$ 成立。

在实证操作中，研究者常采用两阶段策略来检验代理变量的合理性：第一阶段，将代理变量对真实变量的有效度量（若存在小规模精确测量数据）进行回归，评估其拟合优度；第二阶段，在主回归中使用代理变量替换真实变量。工具变量法（Instrumental Variables）可在此框架下进一步纠正测量误差导致的偏误，但需要找到满足相关性和外生性条件的额外工具。

常见应用场景

代理变量在经济学各领域的应用极为广泛。在劳动经济学中，研究教育回报率时通常用受教育年限作为人力资本的代理变量，但受教育年限只能捕捉教育的数量维度，无法反映教育质量、学校声誉或个人能力等重要维度。当研究者使用工作经历（经验年限）作为在职培训或工作经验积累的代理变量时，同样面临度量精度有限的问题。在公司金融中，Tobin's Q 常被用作企业投资机会的代理变量，而托管比率（Management Ownership Ratio）则被用作代理成本的代理变量。

在宏观经济学中，制度质量（如腐败程度、法治水平）的跨国比较研究高度依赖代理变量。常见的代理包括国际国家风险指南（ICRG）指数、世界银行的治理指标（WGI）以及腐败感知指数（Corruption Perceptions Index）。这些指标本质上是基于专家打分或问卷调查构建的复合代理变量，其测量误差的结构远比经典测量误差复杂——可能涉及系统性偏差和跨国不可比性。在发展经济学中，研究者常使用夜间灯光卫星数据作为地区经济活动的代理变量，这一方法在缺乏可靠官方统计数据的地区（如非洲、部分亚洲国家）尤为常用。Henderson, Storeygard \& Weil（2012）的经典研究证明，夜间灯光数据与 GDP 增长之间存在高度相关性，可在官方统计数据缺失或不可靠时提供经济增长的替代度量。

代理变量与相关概念的区别

代理变量与工具变量（Instrumental Variable）在概念上容易混淆，但二者的角色截然不同。工具变量旨在解决解释变量的内生性问题——其策略是利用一个与误差项无关但与内生变量相关的外部变量来提取外生变异。代理变量则专注于解决遗漏变量问题——通过引入一个可观测的替代指标来控制不可观测变量的影响。从识别策略来看，工具变量通常用于被解释变量对解释变量的因果推断，而代理变量更多服务于减少遗漏变量偏误。

此外，代理变量也不同于潜变量（Latent Variable）模型中的指示变量。在结构方程模型（SEM）框架中，潜变量通过多个指标（Indicators）来度量，而代理变量通常用单一指标替代潜变量本身。当存在多个可用的代理指标时，主成分分析（PCA）或因子分析（Factor Analysis）可以用于从多个代理中提取综合指标，以降低单一代理带来的测量误差。

使用代理变量的注意事项

第一，代理变量的测量误差结构决定了偏误的方向和大小。当测量误差与真实变量相关时（即非经典测量误差），偏误方向不再局限于衰减，可能出现更严重的高估问题。第二，多个代理变量同时使用时可能引入附加的内生性问题——若一个代理变量的测量误差与其他代理变量相关，将导致整个估计系统的不一致。第三，稳健性检验不可或缺：研究者应当展示使用不同代理变量、不同构造方法或不同样本下的估计结果是否一致。第四，应将代理变量的使用与敏感性分析（Sensitivity Analysis）相结合，评估在代理变量与真实变量的相关性假设变动时，核心结论是否保持稳健。

小结

代理变量是实证研究中处理不可观测变量的核心工具之一，其价值在于使原本无法进行的定量分析成为可能。然而，代理变量的有效性高度依赖于其与真实变量之间的相关结构以及测量误差的性质。好的实证研究不仅需要选用理论合理的代理变量，更需要对代理变量的局限性保持清醒认识，并通过多种稳健性检验来确保结论的可信度。在大语言模型和机器学习方法快速发展的背景下，从海量文本和行为数据中构造更精确的高维代理变量已成为计量经济学的前沿方向之一。