回归参数

回归参数 (Regression Parameters)

回归参数是回归分析中描述因变量与自变量之间数量关系的核心未知常数，通常记为 $\beta_0, \beta_1, \ldots, \beta_k$。在经典线性回归模型 $y_i = \beta_0 + \beta_1 x_{1i} + \beta_2 x_{2i} + \cdots + \beta_k x_{ki} + \varepsilon_i$ 中，回归参数反映了各解释变量对因变量的边际影响。回归参数的准确估计与推断是计量经济学和统计学实证研究的核心任务，其理论根基可追溯至高斯-马尔可夫定理和极大似然估计。

回归参数的基本类型

回归参数按角色分为两类。截距参数 $\beta_0$ 表示当所有解释变量取零时因变量的期望值，其经济学含义依赖于解释变量零点的实际意义——当解释变量没有自然零点（如教育年限）时，截距往往仅作为模型的技术性常数而不做实质解读。斜率参数 $\beta_j$（$j = 1, \ldots, k$）则衡量在ceteris paribus（其他条件不变）的前提下，解释变量 $x_j$ 每变化一个单位，因变量 $y$ 的期望变动量，是回归分析的核心关注对象。

参数的估计方法

回归参数的估计主要有两种方法。普通最小二乘法（OLS）通过最小化残差平方和 $\sum_{i=1}^n (y_i - \hat{y}_i)^2$ 得到参数估计量 $\hat{\boldsymbol{\beta}} = (\mathbf{X}'\mathbf{X})^{-1}\mathbf{X}'\mathbf{y}$。在高斯-马尔可夫假定下，OLS估计量是最佳线性无偏估计量（BLUE），其方差-协方差矩阵为 $\mathrm{Var}(\hat{\boldsymbol{\beta}}) = \sigma^2(\mathbf{X}'\mathbf{X})^{-1}$。极大似然估计（MLE）则在假定误差服从正态分布的条件下最大化似然函数，得到的估计量与OLS在小样本下一致，且具备渐近有效性，为似然比检验、沃尔德检验和拉格朗日乘数检验等大样本推断方法提供了理论框架。

不同模型设定下参数的解释

回归参数的经济学解释依赖于模型的函数形式。在水平-水平模型中参数直接解读为边际效应；在半对数模型（$\ln y = \beta_0 + \beta_1 x + \varepsilon$）中，$100 \times \beta_1$ 近似表示 $x$ 变化一单位时 $y$ 变化的百分比；在对数-对数模型（$\ln y = \beta_0 + \beta_1 \ln x + \varepsilon$）中，$\beta_1$ 直接就是弹性。当模型包含交互项时边际效应不再是常数：$\partial y/\partial x = \beta_1 + \beta_3 z$，此时 $\beta_1$ 仅表示 $z = 0$ 时的效应，需结合调节变量取值进行解读。二次项模型中边际效应 $\beta_1 + 2\beta_2 x$ 随 $x$ 变化，$\beta_2$ 的符号决定了效应是递增还是递减。

参数检验与推断

回归参数的统计推断通过假设检验与置信区间进行。单个参数的显著性检验使用t统计量 $t = \hat{\beta}_j/\mathrm{se}(\hat{\beta}_j)$，原假设为 $H_0: \beta_j = 0$。多个参数的联合显著性检验使用F统计量。参数估计的可靠性依赖于同方差性、无自相关和外生性等经典假设——当这些假设被违反时，需使用异方差稳健标准误（如Eicker-Huber-White标准误）或广义最小二乘法（GLS）进行修正。回归参数的准确估计与恰当解读是连接经济理论与经验数据的桥梁，也是因果推断方法（如工具变量、双重差分、断点回归）的运算基础。