无限制模型

无限制模型 (Unrestricted Model)

无限制模型 (Unrestricted Model) 是 计量经济学 和 统计假设检验 中的一个核心概念，指不对参数施加任何线性约束的完整回归模型。在 假设检验 的框架中，无限制模型与 限制模型 (Restricted Model) 成对出现，二者共同构成 F检验、似然比检验 和 Wald检验 等经典检验方法的基础。无限制模型包含了所有待估计的参数，反映了数据在不接受零假设约束下的最灵活拟合。

数学定义

考虑标准 线性回归模型：

其中 $X$ 为 $n \times k$ 设计矩阵，$\beta$ 为 $k \times 1$ 参数向量。无限制模型允许 $\beta$ 中所有 $k$ 个参数自由取值，不对其施加任何约束条件。

若将参数向量划分为 $\beta = (\beta_1', \beta_2')'$，其中 $\beta_1$ 为 $k_1 \times 1$、$\beta_2$ 为 $k_2 \times 1$（$k_1 + k_2 = k$），则无限制模型允许 $\beta_1$ 和 $\beta_2$ 均自由估计。与之相对的限制模型则施加零假设 $H_0: \beta_2 = 0$ 或更一般的线性约束 $H_0: R\beta = r$。

残差平方和与模型比较

无限制模型的 残差平方和 (Residual Sum of Squares) 记为 $RSS_{UR}$（或 $SSE_{UR}$），定义为：

其中 $\hat{y}_i^{UR}$ 为无限制模型下第 $i$ 个观测的拟合值。由于无限制模型比限制模型拥有更多自由参数，总有 $RSS_{UR} \le RSS_R$（限制模型的残差平方和）。若 $RSS_{UR}$ 显著小于 $RSS_R$，则表明被约束的参数确实对解释因变量有实质性贡献，从而倾向于拒绝零假设。

F检验中的角色

在 线性假设检验 中，F统计量的标准形式直接基于无限制模型与限制模型的残差平方和比较：

其中 $q$ 为约束条件的个数，$n$ 为样本量，$k$ 为无限制模型的参数个数。分子 $(RSS_R - RSS_{UR})/q$ 衡量每增加一个约束所损失的拟合优度，分母 $RSS_{UR}/(n-k)$ 为无限制模型的残差方差估计。在零假设下，该统计量服从自由度为 $(q, n-k)$ 的F分布。

与其他检验方法的关系

在 极大似然估计 框架中，无限制模型的对数似然值记为 $\ell_{UR} = \ln L(\hat{\theta}_{UR})$，限制模型记为 $\ell_R = \ln L(\hat{\theta}_{R})$。似然比检验 统计量为：

在 Wald检验 中则直接在无限制模型估计值 $\hat{\beta}_2^{UR}$ 的基础上构造二次型统计量，无需估计限制模型。三种检验在大样本下渐近等价，但有限样本性质各异。

应用场景

无限制模型的典型应用包括：邹检验 (Chow Test) 中分别估计两个时期或两个组别的无限制回归与合并数据的限制回归；变量选择 中通过比较无限制模型（包含全部候选变量）与限制模型（剔除某些变量）进行逐步回归或最优子集选择；结构变化检验 中对比允许参数跨期变化的无限制模型与参数恒定的限制模型。

无限制模型作为假设检验的基准，其残差平方和与自由度是几乎所有参数约束检验统计量的分母，体现了从数据本身提取的关于误差变异性的最优信息。理解无限制模型与限制模型的关系是掌握 推断统计 中模型比较方法论的关键。