外生性假设

外生性假设 (Exogeneity Assumption)

外生性假设 (Exogeneity Assumption) 是计量经济学和统计建模中的一个基石性概念，尤其是在回归分析的框架下。该假设规定，模型中的解释变量（或自变量）与误差项不相关。满足外生性假设是使用普通最小二乘法（OLS）获得对因果关系的无偏和一致估计的关键前提。

当一个变量满足外生性假设时，它被称为外生变量 (Exogenous Variable)。相反，若违背此假设即与误差项相关，则称其为内生变量 (Endogenous Variable)，其存在会导致内生性 (Endogeneity)问题。

核心思想：零条件均值假设

考虑简单的线性回归模型：

其中 $Y_i$ 是因变量，$X_i$ 是解释变量，$u_i$ 是误差项，代表了所有影响 $Y_i$ 但未被模型包含的其它因素，$\beta_0$ 和 $\beta_1$ 是模型参数。外生性假设的正式表达为零条件均值假设 (Zero Conditional Mean Assumption)：

即对任意给定的 $X_i$，误差项 $u_i$ 的期望值为零，等价于 $\operatorname{Cov}(X_i, u_i) = 0$。

外生性假设的重要性

外生性假设确保OLS估计量具有理想统计性质：成立时（连同其他高斯-马尔可夫假设），OLS估计量 $\hat{\beta}_1$ 是无偏估计量（$E(\hat{\beta}_1) = \beta_1$）和一致估计量（$\hat{\beta}_1 \xrightarrow{p} \beta_1$）。若违背，即使无限样本也无法收敛到真实值，无法分离出 $X$ 对 $Y$ 的真实因果效应。

外生性的类型

• 同期外生性：$E(u_t \mid X_t) = 0$，最基础形式，横截面数据标准假设。
• 严格外生性：$E(u_t \mid \mathbf{X}) = 0$ 对所有 $t$，要求误差项与所有时期解释变量不相关，在反馈机制模型中易被违背。
• 序列外生性/前定性：$E(u_t \mid X_1, \ldots, X_t) = 0$，允许与未来解释变量相关，常见于含滞后因变量的动态模型。

内生性问题的来源与解决

违背外生性导致内生性，三大来源：遗漏变量偏误（遗漏变量同时影响 $Y$ 和 $X$，如教育回报率估计中遗漏"能力"）；测量误差（$X$ 测不准导致衰减偏误）；联立性偏误（$X$ 与 $Y$ 互为因果，如消费与收入）。

解决策略包括：工具变量法 (IV)（以 $Z$ 分离外生变动）；控制变量法（引入可观测遗漏变量）；面板数据模型（固定效应模型消除时不变遗漏变量）；准实验方法（断点回归设计 RDD、双重差分法 DID）。