同期外生性

同期外生性

同期外生性（Contemporaneous Exogeneity）是计量经济学中关于解释变量与误差项关系的一种关键假定，指的是在同一时期内，解释变量与误差项不相关，即 $\mathbb{E}[\varepsilon_t | \mathbf{x}_t] = 0$。这一条件保证了普通最小二乘法（OLS）在截面数据中估计量的一致性，也是时间序列与面板数据模型中诸多估计方法的基础前提。同期外生性弱于严格外生性，但强于前定性条件，在动态模型和有限分布滞后模型中扮演着承上启下的核心角色。

定义与数学条件

设线性回归模型为：

其中 $\mathbf{x}_t$ 为 $K \times 1$ 解释变量向量，$\varepsilon_t$ 为误差项。同期外生性的严格定义为：

该条件要求解释变量在同一时刻与误差项正交。它允许解释变量的滞后值与当期误差存在相关性（即前定性成立而同期外生性不一定成立的反向情形），也允许未来误差与当期解释变量存在相关性（即严格外生性被违反的情形）。在截面数据中（仅有一期观测），同期外生性正是 OLS 一致估计的基本条件。特别需要注意的是，同期外生性并不要求解释变量是非随机的或固定的——解释变量可以是随机变量，只要它们与同期误差正交即可。

从矩条件视角看，$\mathbb{E}[\mathbf{x}_t\varepsilon_t] = \mathbf{0}$ 提供了 $K$ 个正交条件，足以识别 $K$ 维参数向量 $\boldsymbol{\beta}$。当这一矩条件成立时，广义矩估计（GMM）中的样本矩 $\frac{1}{T}\sum_{t=1}^{T}\mathbf{x}_t(y_t - \mathbf{x}_t'\boldsymbol{\beta})$ 在零处求解即得 OLS 估计量。因此，同期外生性可视为 OLS 作为 GMM 特例的正交条件基础，它将估计问题统一到了矩估计的框架之下。

在有限样本中，同期外生性保证了 OLS 估计量的无偏性仅在解释变量非随机的极端情形下成立；在解释变量随机的一般情形下，同期外生性保证的是估计量的一致性（即当样本量趋近无穷时，估计量依概率收敛到真实参数值）。这一区分对于理解小样本偏误至关重要——即使同期外生性成立，有限样本中 OLS 仍可能存在偏误，只是偏误会随着样本量的增加而消散。

与外生性谱系的关系

计量经济学中外生性存在三个层次的递进关系，理解这一谱系有助于研究者根据模型特性选择恰当的估计策略。

同期外生性（Contemporaneous Exogeneity）处于中间层，条件为 $\mathbb{E}[\varepsilon_t | \mathbf{x}_t] = 0$。它允许解释变量的未来值与当期误差相关，因此也常被称为弱外生性（Weak Exogeneity）在同期情境下的体现。在Engle-Hendry-Richard关于外生性的经典分类中，同期外生性对应于弱外生性在同期维度上的展开——只要结构参数仅依赖于条件分布而非边际分布，同期外生性即可保证参数的有效推断。

严格外生性（Strict Exogeneity）是最强条件，要求 $\mathbb{E}[\varepsilon_t | \mathbf{x}_1, \mathbf{x}_2, \ldots, \mathbf{x}_T] = 0$，即所有时期的解释变量均与当期误差不相关。这等价于误差项与整个解释变量序列正交，意味着解释变量不能对过去的冲击做出反应。严格外生性在静态面板固定效应模型中至关重要，因为组内变换（Within Transformation）引入了所有时期的误差项，只有严格外生性才能保证变换后解释变量与误差的正交性。但在包含滞后因变量的动态面板模型中，严格外生性自动失效。

前定变量条件（Predeterminedness）是弱于同期外生性的条件：$\mathbb{E}[\varepsilon_t | \mathbf{x}_{t-1}, \mathbf{x}_{t-2}, \ldots] = 0$，即过去的解释变量与当期误差不相关，但允许当期解释变量与误差相关。滞后因变量作为解释变量时满足前定性（只要误差项无序列相关），但不满足同期外生性。这一区分是动态面板数据差分GMM和系统GMM方法的核心逻辑起点——当期值的差分通过滞后值作为工具变量来识别动态参数。

三种条件的递弱关系为：严格外生性 $\Rightarrow$ 同期外生性 $\Rightarrow$ 前定性。在实证分析中，研究者的目标是在可维护的假定下尽可能选择较强的条件以提高估计效率，但必须通过检验来验证假定合理性。

经典应用场景

静态回归模型是同期外生性的典型应用场域。在截面 $y_i = \mathbf{x}_i'\boldsymbol{\beta} + \varepsilon_i$ 中，同期外生性正是 OLS 一致性的充分条件。当存在遗漏变量、测量误差或联立性时，同期外生性被违反，此时需诉诸工具变量法。

时间序列回归中，同期外生性允许解释变量包含滞后因变量（如 $y_{t-1}$），因为 $y_{t-1}$ 与 $\varepsilon_t$ 在当期正交（假定无序列相关），这构成了自回归模型（AR）OLS 估计的合法性基础。然而，若模型中同时包含滞后因变量与序列相关的误差，同期外生性将失效，此时需要使用Newey-West 标准误进行纠正或采用工具变量法。

联立方程模型中，同期外生性通常被违反，因为内生变量由方程组同时决定。例如在标准的供需模型中，价格和数量通过市场均衡同时决定，价格必然与结构方程的误差项相关。此时需使用两阶段最小二乘法（2SLS）或三阶段最小二乘法（3SLS）来获得一致估计。联立性偏误的严重程度取决于方程间的相互依赖强度。

面板数据模型中，固定效应估计依赖于严格外生性假定：$\mathbb{E}[\varepsilon_{it} | \mathbf{x}_{i1}, \ldots, \mathbf{x}_{iT}] = 0$。当这一条件被违反但同期外生性仍成立时，可采用一阶差分法与滞后工具变量的策略来恢复识别。随机效应模型则仅需同期外生性与个体效应与解释变量不相关的假定，其效率优势源于对个体异质性的参数化处理。

检验方法

豪斯曼检验（Hausman Test）是检验同期外生性是否成立的主流方法。其核心思想是比较 OLS 估计量（在同期外生性下有效且一致）与 IV 估计量（在同期外生性失效时仍一致但效率较低）的差异。若两者差异显著，则拒绝同期外生性的原假设。检验统计量为：

该统计量在原假设下服从自由度为 $K$ 的卡方分布，其中 $K$ 为被检验的内生变量个数。

Durbin–Wu–Hausman 检验（DWH 检验）是豪斯曼检验在回归框架中的等价实现。通过在原模型中加入内生变量的残差项（来自第一阶段回归），并检验该残差的系数是否为零，研究者可以直观地判断同期外生性是否被违反。DWH 检验的优势在于对异方差具有稳健性，且可直接从回归输出中读取结果——只需构造辅助回归并检验残差系数的显著性即可。

过度识别检验（Sargan 检验 / Hansen J 检验）适用于工具变量数量超过内生变量数量的情形。虽然其核心功能是检验工具变量的外生性，但也可间接反映同期外生性是否可能被违反——当 Hansen J 统计量显著时，意味着至少部分工具变量未能通过外生性检验，这往往源于模型核心解释变量的同期外生性存在疑问。

与格兰杰因果关系的关系

同期外生性与格兰杰因果关系（Granger Causality）存在微妙联系但本质不同。格兰杰因果检验关注变量的预测能力——若变量 $x$ 的过去值有助于预测变量 $y$ 的当前值（在包含 $y$ 自身过去值的信息集下），则称 $x$ 格兰杰导致 $y$。而同期外生性关注的是结构方程中解释变量与误差项的正交性——即 $x$ 是否与 $y$ 方程中不可观测的冲击相关。一个变量可以强烈地格兰杰导致另一个变量而完全同期外生（例如政策变量的滞后效应），也可以不格兰杰导致另一个变量却不同期外生（例如同时决定的联立变量）。正确区分这两个概念对于实证研究的设计与解释至关重要，混淆二者是新手常见的认识误区。

理论意义与实证启示

同期外生性构成了从 OLS 到 IV、从静态模型到动态模型、从截面数据到面板数据这一计量方法体系中逻辑推演的枢纽性概念。它既是最基础的 OLS 一致性的边界条件，也是判断何时需要升级到更复杂估计方法的警示信号。

同期外生性与格兰杰因果关系（Granger Causality）存在微妙联系但本质不同：格兰杰因果检验关注变量的预测能力（基于 VAR 系统的 F 检验），而同期外生性关注结构方程中解释变量与误差项的正交性。一个变量可以格兰杰导致另一个变量而不同期外生，反之亦然。正确区分这两个概念对于实证研究的设计与解释至关重要。

实践中，研究者应遵循以下原则：在假定同期外生性之前，充分论证变量关系（通过理论推导或实验设计）；在估计之后，执行必要的诊断检验（DWH 检验、Hansen J 检验）；当检验结果不理想时，积极寻找有效的工具变量（如利用滞后值、外部冲击或自然实验）或调整模型结构（如引入更多控制变量或使用面板数据方法缓解遗漏变量偏误）。同期外生性不是一个可以轻率假设的条件，而是需要以严谨方法论态度对待的核心识别假定——它关乎整个实证结论的可靠性与可信度。