局部性假设

局部性假设 (Locality Assumption)

局部性假设（Locality Assumption）是经济学、统计学和机器学习中广泛使用的一类方法论前提，其核心思想为：某一经济关系或统计规律在局部范围内（如某一个点附近、某一个子样本区间或某一个地理邻域内）具有较好的近似性质，而在全局范围内则不存在或难以直接描述。局部性假设的提出本质上是对全局线性或全局同质性假设的放松——研究者不再假定同一参数或同一函数形式适用于所有观测值，而是认为经济结构在足够小的邻域内保持稳定，从而允许通过局部拟合来逼近未知的真实关系。这一思想在现代非参数计量经济学、空间经济学、局部均衡分析和因果推断等领域构成了核心方法基础。

局部性假设在非参数计量经济学中的体现

在非参数回归模型 $Y = m(X) + \varepsilon$ 中，条件期望函数 $m(x)$ 的具体形式未知。若要求在全样本范围内精确估计 $m(x)$，则面临"维度诅咒"和模型设定偏误的双重困境。局部性假设的引入有效缓解了这一问题：Nadaraya-Watson核估计量和局部多项式回归的核心前提是，在任意给定点 $x_0$ 附近，$m(x)$ 可被一个低阶多项式（如常数或线性函数）良好近似。其数学表达为：对任意 $x$ 落在 $x_0$ 的带宽 $h$ 邻域内，有 $m(x) \approx \beta_0 + \beta_1 (x - x_0) + \cdots + \beta_p (x - x_0)^p$。通过核函数（Kernel Function）对邻域内不同距离的观测值赋予递减的权重——即距离 $x_0$ 越近的观测值贡献越大——研究者得以在无需预设全局函数形式的前提下一致地估计 $m(x)$。这一方法被称为"局部性假设驱动的非参数识别"：一致性依赖于带宽 $h \to 0$ 且 $nh \to \infty$ 的渐近条件——前者保证偏差趋近于零（局部近似足够精确），后者保证方差趋近于零（邻域内样本量足够大）。交叉验证（Cross-Validation）是实践中选择最优带宽的标准工具。

局部性假设在局部均衡分析中的角色

在微观经济理论中，局部均衡分析（Partial Equilibrium Analysis）与一般均衡分析（General Equilibrium Analysis）的区别本质上体现的是局部性假设的应用边界。局部均衡分析假定某一特定市场的变化不会对其他市场产生显著反馈效应，从而可以在忽略跨市场联动的条件下单独分析供给与需求的交互。这种简化之所以合理，恰恰依赖于局部性假设：当所研究的市场相对于整个经济体足够"小"时，其变动对要素价格、收入分配和总体价格水平的反馈可以忽略不计。马歇尔（Alfred Marshall）在《经济学原理》中系统地使用局部均衡方法，假定"其他条件不变"（ceteris paribus）——这是局部性假设在古典经济学中最经典的表达形式。相比之下，瓦尔拉斯（Léon Walras）的一般均衡框架则放弃了这一假设，要求所有市场同时出清。在实际政策分析中，局部均衡因操作简便而被广泛应用于税收归宿、关税效应和补贴效果评估，而一般均衡分析则适用于涉及全局性冲击（如大规模税制改革或国际贸易自由化）的研究场景。

空间经济学中的局部性假设

空间经济学将局部性假设与地理距离直接关联：托布勒地理学第一定律（"所有事物都与其他事物相关，但近处的事物比远处的事物更相关"）构成了空间计量经济学（Spatial Econometrics）的方法论基石。空间自回归模型（SAR）和空间误差模型（SEM）通过空间权重矩阵 $W$ 来刻画观测值之间的局部依赖结构——矩阵元素 $w_{ij}$ 通常在两地距离超过某一阈值时取零，这本质上是局部性假设的操作化体现。地理加权回归（Geographically Weighted Regression, GWR）则允许回归系数随地理位置连续变化，其估计方式与局部多项式回归类似：对每个地理点位，仅使用其周边一定带宽内的观测数据进行加权回归，从而捕捉参数的空间异质性。该方法被广泛应用于城市经济学、房地产经济学和区域科学中的房价定价、通勤行为和地方公共品供给分析。

局部性假设在因果推断中的应用

在因果推断（Causal Inference）领域，局部性假设构成了局部平均处理效应（Local Average Treatment Effect, LATE）的识别基础。Angrist和Imbens（1994）在工具变量法（IV）框架下指出，当工具的排他性约束满足时，IV估计量识别的并非全样本的平均处理效应，而是依从者（Compliers）——即受工具变化影响而改变处理状态的子群体——的平均因果效应。这一效应的"局部性"体现在：因果参数只能被识别于工具变量驱动的边缘子群体，而非推广至全总体。LATE框架要求研究者明确承认因果推断的局部性边界，避免将IV估计结果不恰当地外推至非依从者群体。此外，断点回归设计（RDD，Regression Discontinuity Design）的识别策略同样基于局部性假设：在临界值附近的一个窄带宽内，处理组的分配可被视为近似随机，因此该带宽内的平均因果效应可被一致估计。RDD的有效性高度依赖于带宽选择——过大的带宽引入偏误，过小的带宽放大方差——这与非参数核估计中的偏差-方差权衡有着完全相同的逻辑结构。

局部性假设的局限性与边界

局部性假设虽然为复杂经济系统的分析提供了可行的简化路径，但其局限性同样不容忽视。第一，局部近似的最优带宽在实际应用中往往难以确定——数据驱动的方法（如交叉验证）虽能最小化均方误，但在有限样本下可能产生过拟合或欠拟合。第二，在存在强全局结构或长程依赖的场景中——如宏观经济学中的持久性经济周期、金融时间序列中的长期记忆过程——局部性假设可能严重低估全局联动的影响。第三，局部均衡分析在面对系统性冲击时可能产生误导性结论：例如，仅分析某一行业的碳税效果而忽略产业间的投入产出关联，可能导致对总体福利变化的估计严重偏误。研究者在使用局部性假设时必须明确其适用条件——即所分析的经济关系是否在局部范围内满足近似稳定性、邻域外的溢出效应是否可忽略——并在结论中审慎阐明结果的局部有效性边界，避免未经检验的全局外推。