KNOWECON WIKI

ARTICLE

代理变量法

代理变量法 概述 代理变量法（Proxy Variable Method）是计量经济学中用于处理遗漏变量偏误（Omitted Variable Bias）的一种经典方法。当回归模型中存在不可观测的遗漏变量且该变量与解释变量相关时，OLS估计量将不再一致。代理变量法的核心思路是：寻找一个可观测的变量，使其与不可观测的遗漏变量高度相关，同时满足特定的外生性条件，

浏览 7 更新 2026-05-26

代理变量法

概述

代理变量法（Proxy Variable Method）是计量经济学中用于处理遗漏变量偏误（Omitted Variable Bias）的一种经典方法。当回归模型中存在不可观测的遗漏变量且该变量与解释变量相关时，OLS估计量将不再一致。代理变量法的核心思路是：寻找一个可观测的变量，使其与不可观测的遗漏变量高度相关，同时满足特定的外生性条件，从而在回归中"代理"该遗漏变量，恢复参数的一致性。该方法的理论基础可追溯至计量经济学教材的经典发展阶段，如今已成为实证研究中处理不可观测异质性的基本工具之一，广泛应用于劳动经济学、教育经济学和公司金融等领域。

问题背景：遗漏变量偏误

考虑线性回归模型：

y=β0+β1x1+⋯+βkxk+γq+uy = \beta_0 + \beta_1 x_1 + \cdots + \beta_k x_k + \gamma q + u

其中 q q 是一个不可观测的变量（例如个人能力、企业治理质量等）。由于 q q 无法被纳入回归，实际上估计的模型为：

y=β0+β1x1+⋯+βkxk+vy = \beta_0 + \beta_1 x_1 + \cdots + \beta_k x_k + v

其中 v=γq+u v = \gamma q + u 。若 q q 与任一 xj x_j 相关（这在实证研究中极为常见），则 Cov(xj,v)≠0 {\rm Cov}(x_j, v) \neq 0 ，OLS估计量 β^j \hat{\beta}_j 将存在偏误且不一致。偏误的方向取决于 Cov(xj,q) {\rm Cov}(x_j, q) 的符号与 γ \gamma 的符号之积。

代理变量的定义与条件

设 z z 为 q q 的一个代理变量（proxy variable）。要使 z z 有效替代 q q 以消除遗漏变量偏误，需满足以下条件： 1. 相关条件：z z 必须与 q q 相关，即 Cov(z,q)≠0 {\rm Cov}(z, q) \neq 0 。若二者无关，则 z z 无法传递关于 q q 的任何信息。 2. 外生条件：给定 q q 和所有 xj x_j ，z z 与误差项 u u 不相关。通常这一条件被表述为：z z 对 y y 的影响完全通过 q q 传导，即 z z 在 q q 条件外生。 3. 排除其他变量：更严格的条件是，一旦控制了 q q 和 xj x_j ，z z 对 y y 没有直接效应——这本质上是一个排除限制条件。 在实证操作中，上述条件的弱化版本足以保证一致性。具体而言，需要 Cov(z,u)=0 {\rm Cov}(z, u) = 0 且 Cov(xj,u)=0 {\rm Cov}(x_j, u) = 0 ，同时 q q 可以表示为 z z 及其他外生变量的线性投影（linear projection）。这一假设允许 z z 无法完美预测 q q ，只要投影残差与回归元正交即可，从而为使用不完美的代理变量提供了理论依据。

两步法估计

代理变量法的标准操作流程如下。

第一步：将不可观测的 q q 对代理变量 z z 及所有外生解释变量进行线性投影：

q=θ0+θ1z+θ2x1+⋯+θkxk+εq = \theta_0 + \theta_1 z + \theta_2 x_1 + \cdots + \theta_k x_k + \varepsilon

第二步：将上述投影代入原始回归方程：

y=β0+β1x1+⋯+βkxk+γ(θ0+θ1z+θ2x1+⋯+θkxk+ε)+u=(β0+γθ0)+(β1+γθ1)x1+⋯+(βk+γθk)xk+γθ1z+(γε+u)\begin{aligned} y &= \beta_0 + \beta_1 x_1 + \cdots + \beta_k x_k + \gamma (\theta_0 + \theta_1 z + \theta_2 x_1 + \cdots + \theta_k x_k + \varepsilon) + u \\ &= (\beta_0 + \gamma \theta_0) + (\beta_1 + \gamma \theta_1) x_1 + \cdots + (\beta_k + \gamma \theta_k) x_k + \gamma \theta_1 z + (\gamma \varepsilon + u) \end{aligned}

由于 ε \varepsilon 与 z z 及所有 xj x_j 不相关（投影的性质），且 u u 与 z z 及所有 xj x_j 不相关（外生性假定），因此新误差项 γε+u \gamma \varepsilon + u 与所有解释变量不相关，从而可以直接对该方程进行OLS估计，获得一致估计量。 值得注意的是，此方法无法单独识别 βj \beta_j 和 γ \gamma ——我们只能估计出复合系数 βj+γθj \beta_j + \gamma \theta_j 。但这不影响对 xj x_j 边际效应的推断：只要代理变量满足条件，β^j+γ^θ^j \hat{\beta}_j + \hat{\gamma} \hat{\theta}_j 就是对 βj \beta_j 的一致估计。

经典应用实例

能力偏误与IQ代理变量：在教育回报率的经典研究中，个人能力（ability）是不可观测的，但它同时影响教育选择和未来收入。若忽略能力，OLS估计的教育回报率将存在偏误（通常被高估）。研究者常用IQ测试得分作为能力的代理变量。尽管IQ无法完美衡量能力，但若IQ满足上述条件——即IQ只通过能力影响收入，且与误差项不相关——则将其纳入回归可显著减轻遗漏变量偏误。 企业治理与托宾Q：在公司金融领域，企业治理质量通常不可直接观测。研究者常用董事会独立性、机构投资者持股比例等变量作为治理质量的代理。通过代理变量法，可以更可靠地识别治理水平对企业绩效的因果效应。

局限性与注意事项

代理变量法虽在实证研究中使用广泛，但也存在若干风险。 1. 测量误差偏误：代理变量几乎总是对 q q 的"有噪声"的度量。若 z=q+e z = q + e （其中 e e 为经典测量误差），则回归中 z z 的系数将向零衰减（attenuation bias）。更为严重的是，当测量误差 e e 与 xj x_j 相关时，各解释变量的系数都可能被污染。 2. 代理不充分的偏误：若 z z 仅捕捉了 q q 的部分变异（例如能力是多维的，而IQ只反映了其中一个维度），则遗漏变量偏误只能被部分消除，β^j \hat{\beta}_j 仍可能不一致。 3. 逆向因果与内生性：代理变量 z z 本身可能具有内生性——例如企业绩效好的公司更容易吸引机构投资者，这使得机构投资者持股比例作为治理质量的代理时存在反向因果问题。 4. 无直接检验：代理变量条件（Cov(z,u)=0 {\rm Cov}(z, u) = 0 ）本质上不可检验，研究者只能依靠理论论证和间接证据来支持其适用性。

与其他方法的比较

与处理遗漏变量的其他方法相比，代理变量法具有独特的优劣势。工具变量法（Instrumental Variables, IV）不需要代理条件，但需要找到一个满足排他性约束的工具变量，这在实证中同样困难。面板数据的固定效应模型通过组内变换消除不随时间变化的不可观测异质性，但它无法处理时变的遗漏变量。双重差分法（Difference-in-Differences）则在政策评估中广泛应用，但其有效性依赖于平行趋势假定。 代理变量法的优势在于操作简单、直觉清晰，且对数据要求相对较低——只需要一个可观测的、与遗漏变量相关的变量即可。缺点是依赖较强的不可检验假设，且无法完全消除偏误。当存在多个遗漏变量时，需要为每个变量分别寻找代理变量，这在实践操作中往往不可行。此外，代理变量法也无法处理测量误差与遗漏变量偏误同时存在的情形，此时需要使用更高级的估计方法（如结构方程模型或矩估计）。

小结

代理变量法是应对遗漏变量偏误的经典方法，在劳动经济学、教育经济学、公司金融等领域有着悠久的应用传统。尽管近年来结构估计、因果推断方法（如断点回归、双重差分等）在实证研究中逐渐占据更核心的位置，代理变量法仍然是每个实证研究者必须掌握的基本工具。其核心价值在于揭示了一个深刻的思想：即使无法直接观测到某个重要变量，只要有足够好的近似替代，仍然可以做出可靠的统计推断。研究者在使用代理变量法时应当保持谨慎，充分论证代理变量的合理性，并进行必要的稳健性检验（如更换代理变量定义、使用多种代理交叉验证等），以确保结论的可靠性。