变量的显著性检验

变量的显著性检验 (Significance Testing of Variables)

变量的显著性检验是计量经济学与统计学中评估解释变量是否对因变量具有真实影响的核心推断程序。在线性回归框架 $y = X\beta + \varepsilon$ 下，该检验旨在从样本证据出发，判断某个系数 $\beta_j$ 是否在总体中异于零——即相应的解释变量是否具有统计学上可靠的边际效应。其标准流程以零假设显著性检验（NHST）为逻辑骨架：设 $H_0: \beta_j = 0$（变量无效应），考察数据在多大程度上与零假设相矛盾。

t 检验：单变量显著性的核心工具

在经典高斯-马尔可夫假设下，OLS 估计量 $\hat{\beta}_j$ 服从正态分布。将估计值以标准误缩放即得t 统计量：

其中 $n$ 为样本量，$k$ 为解释变量个数。直观上，$t$ 统计量衡量信号（估计系数）相对于噪声（标准误）的比值：$|t|$ 越大，对零假设的偏离越显著。

双侧备择假设 $H_1: \beta_j \neq 0$ 下，给定显著性水平 $\alpha$（通常取 0.05），若 $|t_j| > t_{n-k-1,\;\alpha/2}$（临界值），则拒绝零假设，判定该变量具有统计显著性。等价地，p 值定义为在 $H_0$ 为真的前提下观测到至少如此极端 $t$ 值的概率：$p = \Pr(|T| \geq |t_j| \mid H_0)$。当 $p < \alpha$ 时拒绝 $H_0$。

置信区间与显著性检验的对偶性

显著性检验与置信区间存在精确的对偶关系：不拒绝 $H_0: \beta_j = 0$ 当且仅当 0 落入 $(1-\alpha)$ 置信区间。即：

置信区间提供了参数可能取值范围的直接视觉判断，比单一 p 值传递更丰富的推断信息。美国统计协会（ASA, 2016）明确指出，不应将"统计显著"与"不存在效应"或"存在效应"二元化——效应大小（效应量）与经济含义同样关键。

F 检验：多个变量的联合显著性

当需检验一组变量是否联合显著（如行业虚拟变量集、模型嵌套比较），需使用F 检验。设约束模型（不含所检变量）的残差平方和为 $\text{RSS}_{\text{restricted}}$，无约束模型为 $\text{RSS}_{\text{unrestricted}}$，检验统计量为：

其中 $q$ 为约束个数。F 检验是单变量 t 检验的推广——检验单个变量时，$F = t^2$。它与 $R^2$ 的增量检验等价，回答"新增这组变量是否显著改善模型拟合"。

实践中的核心警示

第一，统计显著不等于经济显著：大样本下，微小的效应也可能高度显著（p 值极小），但可能无实际意义。第二，多重检验问题：同时检验多个变量时，族错误率（FWER）膨胀需Bonferroni校正等方法控制。第三，p-hacking与数据窥探：选择性地报告显著结果、反复调整模型设定至 p 值通过阈值，严重损害推断的可重复性。第四，不拒绝 $H_0$ 不等同于证明 $H_0$ 为真——"无显著证据反对零"与"零为真"存在根本逻辑鸿沟。功效分析（Power Analysis）应在研究设计阶段前置，以确保检验具备检测实质性效应的足够灵敏度。