KNOWECON WIKI

ARTICLE

弗里施-瓦格-洛弗尔定理

弗里施-瓦格-洛弗尔定理（Frisch-Waugh-Lovell Theorem） 弗里施-瓦格-洛弗尔定理（Frisch-Waugh-Lovell Theorem，简称FWL定理或Frisch-Waugh定理）是计量经济学和数理统计中关于多元线性回归和最小二乘法的核心定理之一。该定理由挪威经济学家Ragnar Frisch和Frederick V. Wau

浏览 0 更新 2025-10-26

弗里施-瓦格-洛弗尔定理（Frisch-Waugh-Lovell Theorem）

弗里施-瓦格-洛弗尔定理（Frisch-Waugh-Lovell Theorem，简称FWL定理或Frisch-Waugh定理）是计量经济学和数理统计中关于多元线性回归和最小二乘法的核心定理之一。该定理由挪威经济学家Ragnar Frisch和Frederick V. Waugh于1933年在关于需求分析的研究中首次提出，后由Michael C. Lovell于1963年系统推广并给出严格证明。FWL定理揭示了多元回归中偏回归系数（Partial Regression Coefficient）的本质：当回归模型包含两组解释变量时，其中一组变量的系数估计值可通过对"剔除"另一组变量线性影响后的残差进行简单回归来获得，其结果与一次性完成完整多元回归所得系数估计完全相同。这一简洁而深刻的思想，为理解"控制其他变量"（Controlling for Other Variables）的统计含义提供了精确的数学语言，至今仍是计量经济学理论教学的基石内容。

定理的正式陈述

考虑标准线性回归模型，将自变量矩阵划分为感兴趣变量集和控制变量集：

y=X1β1+X2β2+ε\mathbf{y} = \mathbf{X}_1 \boldsymbol{\beta}_1 + \mathbf{X}_2 \boldsymbol{\beta}_2 + \boldsymbol{\varepsilon}

其中 y\mathbf{y} 为 n×1n \times 1 因变量观测向量，X1\mathbf{X}_1 为 n×k1n \times k_1 感兴趣变量观测矩阵，X2\mathbf{X}_2 为 n×k2n \times k_2 控制变量观测矩阵，ε\boldsymbol{\varepsilon} 为随机误差项，β1\boldsymbol{\beta}_1 和 β2\boldsymbol{\beta}_2 为对应的待估参数向量。FWL定理指出，β1\boldsymbol{\beta}_1 的OLS估计量 β^1\hat{\boldsymbol{\beta}}_1 可通过以下三步获得：

  1. 将 y\mathbf{y} 仅对 X2\mathbf{X}_2 回归，得到残差向量 y~=M2y\tilde{\mathbf{y}} = \mathbf{M}_2 \mathbf{y}，其中 M2=I−X2(X2′X2)−1X2′\mathbf{M}_2 = \mathbf{I} - \mathbf{X}_2(\mathbf{X}_2'\mathbf{X}_2)^{-1}\mathbf{X}_2' 被称为消灭矩阵（Annihilator Matrix）或残差制造矩阵（Residual Maker Matrix）。
  2. 将 X1\mathbf{X}_1 的每一列分别对 X2\mathbf{X}_2 回归，得到残差矩阵 X~1=M2X1\tilde{\mathbf{X}}_1 = \mathbf{M}_2 \mathbf{X}_1，即从每一感兴趣变量中剔除控制变量的线性影响。
  3. 将 y~\tilde{\mathbf{y}} 对 X~1\tilde{\mathbf{X}}_1 进行简单回归：β^1=(X~1′X~1)−1X~1′y~\hat{\boldsymbol{\beta}}_1 = (\tilde{\mathbf{X}}_1'\tilde{\mathbf{X}}_1)^{-1}\tilde{\mathbf{X}}_1'\tilde{\mathbf{y}}。

上述第三步得到的系数估计量与在完整模型 y=X1β1+X2β2+ε \mathbf{y} = \mathbf{X}_1 \boldsymbol{\beta}_1 + \mathbf{X}_2 \boldsymbol{\beta}_2 + \boldsymbol{\varepsilon} 中直接回归得到的 β^1\hat{\boldsymbol{\beta}}_1 完全一致。更值得强调的是，辅助回归（第三步）的残差与完整回归模型的残差也完全相同——这意味着控制变量 X2\mathbf{X}_2 所蕴含的全部拟合信息在第一步和第二步中已被完整吸收。此外，β2\boldsymbol{\beta}_2 的估计量也可以从原始回归中独立获取：β^2=(X2′X2)−1X2′(y−X1β^1)\hat{\boldsymbol{\beta}}_2 = (\mathbf{X}_2'\mathbf{X}_2)^{-1}\mathbf{X}_2'(\mathbf{y} - \mathbf{X}_1\hat{\boldsymbol{\beta}}_1)，这进一步体现了FWL定理的双向对称性质。

几何解释与代数推导

FWL定理的核心在于正交投影（Orthogonal Projection）的几何直观。消灭矩阵 M2\mathbf{M}_2 的本质作用是将任意向量正交投影到 X2\mathbf{X}_2 列空间的正交补空间上。因此，y~=M2y\tilde{\mathbf{y}} = \mathbf{M}_2 \mathbf{y} 是 y\mathbf{y} 中与 X2\mathbf{X}_2 线性无关的成分，而 X~1=M2X1\tilde{\mathbf{X}}_1 = \mathbf{M}_2 \mathbf{X}_1 是 X1\mathbf{X}_1 中与 X2\mathbf{X}_2 线性无关的成分。FWL定理本质上等价于将原始回归进行正交分解后，在 X2\mathbf{X}_2 的正交补空间中运行一个"净化后的"回归——任何落在 X2\mathbf{X}_2 列空间中的分量均被映射为零，从而不影响最终系数估计。

从分块矩阵求逆（Partitioned Matrix Inversion）角度也可进行代数推导。正规方程 X′Xβ^=X′y\mathbf{X}'\mathbf{X}\hat{\boldsymbol{\beta}} = \mathbf{X}'\mathbf{y} 的分块形式为：

[X1′X1X1′X2X2′X1X2′X2][β^1β^2]\begin{bmatrix} \mathbf{X}_1'\mathbf{X}_1 & \mathbf{X}_1'\mathbf{X}_2 \\ \mathbf{X}_2'\mathbf{X}_1 & \mathbf{X}_2'\mathbf{X}_2 \end{bmatrix} \begin{bmatrix} \hat{\boldsymbol{\beta}}_1 \\ \hat{\boldsymbol{\beta}}_2 \end{bmatrix}

=

\begin{bmatrix} \(\mathbf{X}_1\)'\(\mathbf{y}\) \\ \(\mathbf{X}_2\)'\(\mathbf{y}\) \[ \end{bmatrix}

\]

利用块消元法（Block Elimination），从第二个方程解得 β^2=(X2′X2)−1X2′(y−X1β^1)\hat{\boldsymbol{\beta}}_2 = (\mathbf{X}_2'\mathbf{X}_2)^{-1}\mathbf{X}_2'(\mathbf{y} - \mathbf{X}_1\hat{\boldsymbol{\beta}}_1) 并代入第一个方程，最终可得 β^1=(X1′M2X1)−1X1′M2y\hat{\boldsymbol{\beta}}_1 = (\mathbf{X}_1'\mathbf{M}_2\mathbf{X}_1)^{-1}\mathbf{X}_1'\mathbf{M}_2\mathbf{y}，与三步法结果完全等价。这一推导展示了FWL定理本质上等价于Schur补（Schur Complement）在回归分析中的自然应用，也从另一个侧面证明：多元回归不是简单的多次变量筛选，而是通过正交化将高维问题简化为低维问题的过程。

计量经济学意义与应用

FWL定理在计量经济学理论和实证应用中具有极其深远的影响，其思想渗透到多个分支领域。

  1. 偏回归系数的直观含义：FWL定理为"控制其他变量"提供了精确的数学抽象。回归系数 β^1j\hat{\beta}_{1j} 衡量的是在排除 X2\mathbf{X}_2 的线性影响之后，X1jX_{1j} 的剩余变化与 y\mathbf{y} 的剩余变化之间的线性相关关系——这正是偏相关系数（Partial Correlation Coefficient）在回归分析中的标准体现。一个常用的实际启示是：如果核心变量与任何控制变量都不相关（即 X1′X2=0\mathbf{X}_1'\mathbf{X}_2 = \mathbf{0}），则无论是否加入控制变量，核心变量的系数估计均不会改变。
  2. 遗漏变量偏差分析（Omitted Variable Bias, OVB）：当真实模型包含 X2\mathbf{X}_2 但研究者因疏忽或数据限制而遗漏该变量时，最小二乘估计量 β~1=(X1′X1)−1X1′y\tilde{\boldsymbol{\beta}}_1 = (\mathbf{X}_1'\mathbf{X}_1)^{-1}\mathbf{X}_1'\mathbf{y} 会产生偏误。利用FWL定理可简洁表达偏差结构： \[ \tilde{\boldsymbol{\beta}}_1 = \hat{\boldsymbol{\beta}}_1 + (\mathbf{X}_1'\mathbf{X}_1)^{-1}\mathbf{X}_1'\mathbf{X}_2 \hat{\boldsymbol{\beta}}_2 = \hat{\boldsymbol{\beta}}_1 + \boldsymbol{\delta} \hat{\boldsymbol{\beta}}_2 \] 其中 δ=(X1′X1)−1X1′X2\boldsymbol{\delta} = (\mathbf{X}_1'\mathbf{X}_1)^{-1}\mathbf{X}_1'\mathbf{X}_2 是 X2\mathbf{X}_2 对 X1\mathbf{X}_1 辅助回归的系数矩阵。上述公式表明遗漏变量偏差由两部分构成：一是核心变量与遗漏变量之间的关联程度（δ\boldsymbol{\delta}），二是遗漏变量对因变量的真实影响（β^2\hat{\boldsymbol{\beta}}_2）。偏差的符号可由两者的方向共同决定，这一结构为经济学的敏感性分析提供了理论框架。
  3. 固定效应模型（Fixed Effects Model）：在面板数据分析中，个体固定效应的估计本质上等价于在回归前对所有变量进行组内去均值变换（Within Transformation）——这恰是FWL定理的一个重要应用特例。此处 X2\mathbf{X}_2 为 nn 个个体虚拟变量构成的矩阵，M2\mathbf{M}_2 的作用相当于从每个观测值中减去其个体均值，从而消除不可观测的个体异质性。
  4. 工具变量估计（Instrumental Variables Estimation）：两阶段最小二乘法（2SLS）的 Two-Stage 结构与FWL定理具有深层类比关系。第一阶段将内生变量对工具变量回归以获取拟合值（"剔除"内生变量与误差项的相关成分），第二阶段将因变量对拟合值回归。尽管两者的识别策略和统计性质有本质区别，但"通过两次回归实现变量净化"的方法论思想与FWL定理高度一致。
  5. 季节性调整与去趋势：FWL定理为时间序列分析中先行去除确定性成分（如季节虚拟变量、线性/多项式时间趋势）再对剩余成分建模的操作提供了严格的理论基础，保证了去趋势后的回归结果与含趋势完整回归的结果等价。

历史注记与延伸阅读

Ragnar Frisch（1895—1973）是挪威著名经济学家，与Jan Tinbergen共同荣获首届诺贝尔经济学奖（1969年），被公认为计量经济学学科的主要创始人之一。Frisch与Waugh于1933年在《计量经济学》（Econometrica）期刊上联合发表论文"Partial Time Regressions as Compared with Individual Trends"，首次阐述了部分回归的核心思想。三十年后，Michael C. Lovell（1963）在《计量经济学》上发表了题为"The Frisch-Waugh Theorem"的论文，将其系统性推广到一般多元回归框架，并对定理的成立条件和统计含义做了深入完备的阐述。由于这一序列承前启后的学术贡献，该定理最终以三人的名字联合命名。在现代计量经济学教学中，FWL定理通常是连接基础OLS理论与更高级因果推断、面板数据和非参数方法的枢纽性知识，它以优雅的代数结构化解了多元回归中"控制变量"的模糊概念，为实证研究者提供了不可替代的理论洞察。

补充：与Gram-Schmidt正交化的联系

FWL定理与Gram-Schmidt正交化过程存在深刻联系。消灭矩阵 M2\mathbf{M}_2 对 X1\mathbf{X}_1 的操作本质上等同于对变量矩阵进行逐次正交化：将 X1\mathbf{X}_1 中的每一变量依次投影到 X2\mathbf{X}_2 张成的子空间上并取剩余部分。因此，多元线性回归可以理解为先将解释变量集按某种顺序进行正交化，然后依次计算简单位回归系数。这一视角揭示了OLS估计量对变量线性变换的不变性：当对原始变量进行可逆线性变换时，拟合值和预测值保持不变，唯一改变的是回归系数的具体数值及其解释。