期望的迭代定律

期望的迭代定律 (Law of Iterated Expectations)

期望的迭代定律（Law of Iterated Expectations, LIE），又称全期望公式（Law of Total Expectation）或塔性质（Tower Property），是概率论与计量经济学中的一条核心定理。该定律指出：一个随机变量在给定另一组信息下的条件期望，再对该信息集取无条件期望，结果等于该随机变量本身的无条件期望。形式化地，对于任意满足可积性条件的随机变量 $X$ 和任意子 $\sigma$-代数 $\mathcal{G}$（包含在原始概率空间的 $\sigma$-代数中），有：

在更实际的情形中，若 $\mathcal{G}$ 由另一个随机变量 $Y$ 生成，则可写为：

该定律的含义直觉而深刻：在获得信息之前，"获得信息后对 $X$ 的最佳预测"的最佳预测，就是当前对 $X$ 的最佳预测。换言之，理性个体对自身未来预期的预测应当是当下的无条件预期——若期望本身具有系统性偏差，则意味着个体未能充分利用当前已有的信息。

形式化陈述与证明思路

设 $(\Omega, \mathcal{F}, P)$ 为概率空间，$\mathcal{G} \subseteq \mathcal{F}$ 为子 $\sigma$-代数。定义条件期望 $\mathbb{E}[X \mid \mathcal{G}]$ 为满足以下两个条件的 $\mathcal{G}$-可测随机变量：对任意 $G \in \mathcal{G}$，$\int_G \mathbb{E}[X \mid \mathcal{G}] \, dP = \int_G X \, dP$。取 $G = \Omega$（全空间），由于 $\Omega \in \mathcal{G}$，立即得到：

这正是 $\mathbb{E}[\mathbb{E}[X \mid \mathcal{G}]] = \mathbb{E}[X]$。该证明揭示了 LIE 的核心——它本质上是条件期望定义中"全局积分相等"的直接推论。

在离散情形下，LIE 可写成更直观的加权平均形式。设 $Y$ 为离散随机变量，取值为 $y_1, y_2, \dots$，则：

即无条件期望等于各条件下的条件期望按条件发生概率加权平均。

在计量经济学中的应用

LIE 在计量经济学中具有基础性地位，尤其是与回归分析和工具变量估计密切相关。

第一，LIE 是理解回归函数的关键。设 $Y$ 为被解释变量，$\mathbf{X}$ 为解释变量向量。条件期望函数 $m(\mathbf{x}) = \mathbb{E}[Y \mid \mathbf{X} = \mathbf{x}]$ 是 $Y$ 在给定 $\mathbf{X}$ 下的最佳最小二乘预测。由 LIE 直接可得 $\mathbb{E}[m(\mathbf{X})] = \mathbb{E}[Y]$，从而回归残差 $\varepsilon = Y - m(\mathbf{X})$ 自动满足零均值条件 $\mathbb{E}[\varepsilon] = 0$。

第二，LIE 是矩条件构造的核心工具。在广义矩方法（GMM）中，工具变量 $Z$ 的有效性条件为 $\mathbb{E}[\varepsilon \mid Z] = 0$。由 LIE，该条件意味着 $\mathbb{E}[Z\varepsilon] = \mathbb{E}[Z \cdot \mathbb{E}[\varepsilon \mid Z]] = 0$，从而无条件矩条件成立——这正是 GMM 估计量的构建基础。

第三，LIE 为方差分解公式提供了理论基础。总体方差可分解为：

其中第一项为"被解释方差"（信号），第二项为"残差方差"（噪声）。该分解由 LIE 直接推导得到，是ANOVA和模型拟合优度度量R-squared的数学基石。

在理性预期理论中的角色

LIE 在理性预期（Rational Expectations）理论框架中扮演着逻辑一致性的检验角色。理性预期假设要求经济主体的主观预期等于基于所有可用信息的数学条件期望。在此框架下，LIE 隐含了一个关键约束：预期的预期等于预期。若令 $\mathbb{E}_t[\cdot]$ 表示第 $t$ 期基于信息集 $\mathcal{I}_t$ 的理性预期，则对未来任意第 $t+k$ 期预期 $\mathbb{E}_{t+k}[X]$ 的第 $t$ 期预期应满足：

这一性质确保了理性预期不存在系统性可预测的修正——换言之，预期误差序列 $\{X - \mathbb{E}_{t}[X]\}$ 在信息集 $\mathcal{I}_t$ 下是鞅差序列。这一结论在有效市场假说、新凯恩斯菲利普斯曲线和动态随机一般均衡（DSGE）模型中均构成关键推导步骤，确保了模型中的前瞻性行为满足无套利条件。

局限性与注意事项

尽管 LIE 形式简洁且适用广泛，使用时需注意两个前提条件。其一，$X$ 必须可积（$\mathbb{E}[|X|] < \infty$），否则条件期望可能无定义。其二，嵌套信息集的包含关系必须严格成立：$\mathcal{G}_1 \subseteq \mathcal{G}_2 \subseteq \mathcal{F}$ 时才可迭代。若两个 $\sigma$-代数互不包含，则 $\mathbb{E}[\mathbb{E}[X \mid \mathcal{G}_1] \mid \mathcal{G}_2]$ 并无简洁的简化形式。在实际运用中，当工具变量的外生性条件 $\mathbb{E}[\varepsilon \mid Z] = 0$ 仅以无条件形式 $\mathbb{E}[Z\varepsilon] = 0$ 成立时，LIE 的方向不可逆——无条件矩成立并不意味着条件矩为零，这一区分在工具变量识别策略的论证中至关重要。