偏回归系数

偏回归系数 (Partial Regression Coefficient)

偏回归系数，也称为部分回归系数，是多元回归分析 (Multiple Regression Analysis) 中的核心概念。它衡量的是，在模型中所有其他自变量 (Independent Variables) 保持不变的情况下，某一个自变量每增加一个单位，所引起因变量 (Dependent Variable) 期望值的平均变化量。偏回归系数是对自变量对因变量"纯粹"或"独立"贡献的量化度量，它已剔除了模型中其他自变量的混杂影响 (Confounding Effects)，这与简单线性回归 (Simple Linear Regression) 中的回归系数形成对比——后者衡量的是不考虑任何其他变量时，自变量与因变量之间的总体关联。

数学表达与基本诠释

在一个标准多元线性回归模型中：

其中 $\beta_j$ (对于 $j = 1, \dots, k$) 是对应于自变量 $X_j$ 的偏回归系数。其核心诠释是：在控制住模型中所有其他自变量保持恒定的条件下，$X_j$ 每增加一个单位，因变量 $Y$ 的期望值将平均变化 $\beta_j$ 个单位。这种"保持恒定"的条件遵循了ceteris paribus（其他条件不变）原则，使研究者能够分离出单个变量的净效应。

"偏"的含义：Frisch-Waugh-Lovell 定理

"偏"回归系数名称源于其只反映变量之间"部分"关系。通过Frisch-Waugh-Lovell 定理（FWL 定理）可直观理解：欲求模型 $Y = \beta_0 + \beta_1 X_1 + \beta_2 X_2 + \epsilon$ 中 $X_1$ 的偏回归系数 $\beta_1$，首先将 $X_1$ 对 $X_2$ 回归得残差 $u_1$（即 $X_1$ 中无法被 $X_2$ 解释的部分），再将 $Y$ 对 $X_2$ 回归得残差 $u_2$（即 $Y$ 中无法被 $X_2$ 解释的部分），最后将 $u_2$ 对 $u_1$ 做简单回归，所得系数 $\delta_1$ 在数值上完全等于原始模型中的偏回归系数 $\beta_1$。这清晰表明偏回归系数捕捉的是自变量中与其他变量不相关的变异对因变量中类似变异的影响。

与简单回归系数的比较

简单回归系数衡量的是自变量与因变量之间的总关联，包含直接影响及通过相关变量产生的间接影响；而偏回归系数只衡量净影响（控制其他变量之后）。只有当自变量与模型中其他变量完全不相关时，二者才会相等。若忽略重要的相关变量，将导致遗漏变量偏误 (Omitted Variable Bias)。

估计与推断

偏回归系数通常通过普通最小二乘法 (OLS) 估计。得到估计值 $\hat{\beta}_j$ 后，使用t检验检验原假设 $H_0: \beta_j = 0$，t-统计量为 $t = \hat{\beta}_j / \text{SE}(\hat{\beta}_j)$。同时可构建置信区间（如95\%置信区间）评估参数的不确定性。

注意事项

多重共线性 (Multicollinearity)：当自变量间高度相关时，偏回归系数估计不稳定，标准误增大。此外，不同自变量系数的大小因单位不同而不具直接可比性，应使用标准化回归系数 (Standardized Regression Coefficients) 比较相对重要性。