弗里施-瓦格-洛维尔定理

弗里施-瓦格-洛维尔定理 (FWL Theorem)

概述

弗里施-瓦格-洛维尔定理（Frisch-Waugh-Lovell Theorem，简称FWL定理）是计量经济学和统计学中关于多元线性回归的核心定理。该定理由Ragnar Frisch与Frederick Waugh于1933年首次提出，后由Michael Lovell于1963年推广并正式命名。FWL定理揭示：在多元线性回归$Y = X_1\beta_1 + X_2\beta_2 + \varepsilon$中，参数子向量$\beta_1$的普通最小二乘法{OLS}估计量可以通过一个三步"偏回归"过程等价获得，且该过程具有直观的"控制其他变量后"的统计解释。

FWL定理不仅是计量经济学的理论基石，也是理解偏相关、残差化以及诸多高级方法（如固定效应模型、两阶段最小二乘法）概念基础的关键桥梁。

定理陈述

考虑线性回归模型

其中$Y$为$n\times 1$被解释变量向量，$X_1$为$n\times k_1$回归子矩阵，$X_2$为$n\times k_2$回归子矩阵，$\beta_1$、$\beta_2$为对应的系数向量，$\varepsilon$为随机扰动项。FWL定理指出，$\beta_1$的OLS估计量$\hat{\beta}_1$可以通过以下三步获得：

1. 第一步（被解释变量残差化）： 将$Y$对$X_2$进行OLS回归，得到残差向量 \[ Y^* = M_2 Y = Y - X_2(X_2'X_2)^{-1}X_2'Y, \] 其中$M_2 = I - X_2(X_2'X_2)^{-1}X_2'$称为残差生成矩阵（annihilator / residual maker matrix），其作用是将变量中可由$X_2$线性解释的部分"投影"出去。
2. 第二步（解释变量残差化）： 将$X_1$的每一列分别对$X_2$进行OLS回归，得到残差矩阵 \[ X_1^* = M_2 X_1 = X_1 - X_2(X_2'X_2)^{-1}X_2'X_1. \]
3. 第三步（最终回归）： 将第一步得到的残差$Y^*$对第二步得到的残差$X_1^*$进行OLS回归（无截距项），得到 \[ \hat{\beta}_1^{\text{FWL}} = (X_1^{*'}X_1^*)^{-1}X_1^{*'}Y^*. \]

核心结论： $\hat{\beta}_1^{\text{FWL}} = \hat{\beta}_1$，即三步偏回归得到的系数估计量等于原始多元回归中$\beta_1$的OLS估计量。此外，两步回归的残差也完全相等。

代数证明

记完整设计矩阵$X = [X_1 \; X_2]$，则$\beta = (\beta_1', \beta_2')'$的OLS估计为 $\hat{\beta}$ = (X'X)^{-1}X'Y. 利用分块矩阵求逆公式，可得$\hat{\beta}_1$的解析表达式：

其中$M_2 = I - X_2(X_2'X_2)^{-1}X_2'$。

另一方面，FWL第三步的估计量为

由于$M_2$是对称幂等矩阵（$M_2' = M_2$，$M_2^2 = M_2$），故

因此

对于残差，原始回归残差为

可以证明$\hat{\varepsilon} = M_2(Y - X_1\hat{\beta}_1)$，而这正是FWL第三步回归的残差，说明两步回归的拟合残差完全一致。

直观解释

FWL定理给出了"控制其他变量"这一概念的精确统计表述。在多元回归中，系数$\beta_1$衡量的是在其他条件不变{ceteris paribus}的情况下$X_1$对$Y$的边际影响。FWL三步法清晰地展示了这一过程：

• 首先，从$Y$中剔除$X_2$的影响（第一步），得到$Y$中不能被$X_2$解释的"新信息"部分。
• 其次，从$X_1$中同样剔除$X_2$的影响（第二步），得到$X_1$中不能被$X_2$解释的"净变异"部分。
• 最后，考察这两部分"净信息"之间的线性关系（第三步），即得到$X_1$对$Y$的净效应。

换言之，回归系数$\hat{\beta}_1$衡量的并非$X_1$与$Y$的原始相关，而是$X_1$与$Y$在"剔除"了$X_2$的影响之后的偏相关关系。这正是"控制变量"的数学本质。

重要应用

FWL定理在计量经济学和统计学的诸多领域有广泛应用：

\subsubsection*{去均值回归}

当$X_2$仅包含常数项（即$X_2 = \iota$，长度为$n$的元素全为1的列向量）时，$M_2 = I - \frac{1}{n}\iota\iota'$为去均值矩阵（centering matrix）。此时FWL定理说明：多元回归中的斜率系数可以通过先将所有变量减去均值、再进行无截距回归来等价获得。这正是回归分析中"截距项自动中心化"的理论依据。

\subsubsection*{面板数据固定效应}

在面板数据模型中，固定效应模型通过引入个体虚拟变量来控制个体异质性。直接估计包含$n$个虚拟变量的模型在计算上效率较低。FWL定理表明，可以通过"组内去均值"（within transformation）——即将每个个体的观测值减去该个体各期均值——来剔除个体固定效应，然后对变换后的数据进行合并OLS{Pooled OLS}回归。这一方法等价于直接估计包含虚拟变量的完整模型，但计算量大幅降低。

\subsubsection*{季节性调整}

在时间序列分析中，当数据存在季节性模式时，可以在回归中加入季度或月份虚拟变量作为$X_2$。FWL定理指出，可以先将原始序列对季节虚拟变量做回归以得到季节调整后的序列（残差），再对调整后的序列进行回归分析，从而有效剔除季节性波动的影响。

\subsubsection*{工具变量回归}

在两阶段最小二乘法（2SLS）中，第一阶段将内生变量对所有外生变量（包括工具变量）回归，得到拟合值；第二阶段用拟合值替代内生变量进行回归。虽然2SLS并不完全等同于FWL定理的直接应用，但FWL定理为理解两阶段策略的"净化"作用提供了重要的概念框架。

历史背景

Ragnar Frisch是挪威著名经济学家，首届诺贝尔经济学奖{1969年}得主之一，也是计量经济学会{Econometric Society}的创始人。他在1933年与Frederick Waugh合作发表的论文《偏回归与偏相关系数的计算》中首次阐述了该定理的核心思想。1963年，Michael Lovell在《美国统计学会会刊》上发表了该定理的严格证明和推广，并将其命名为Frisch-Waugh定理，后世学者将其称为Frisch-Waugh-Lovell定理。

该定理不仅是理论计量经济学的经典成果，也是所有实证研究者理解多元回归分析本质的必修课。它揭示了统计学中"控制"概念的精确数学含义，连接了代数推导与直觉理解之间的鸿沟。

局限性

尽管FWL定理具有重要的理论和应用价值，但也存在一定局限性。首先，该定理严格依赖于线性模型假设；对于非线性模型（如Logit模型、Probit模型），简单的三步回归不再等价于完整模型的估计。其次，FWL定理实质上是代数恒等式，不涉及任何统计假设（如零条件均值假设、同方差性等），因此它本身不保证估计量的统计性质（如无偏性、一致性），这些性质需要由模型的基本假设来保证。最后，在有限样本下，第二步回归中估计$X_1^*$带来的估计误差可能会影响统计推断的精度。