模型检验

模型检验 (Model Checking / Specification Testing)

模型检验是计量经济学与统计建模中对模型设定正确性进行系统性诊断的方法总称。它涵盖从参数显著性检验到模型结构有效性的多个层次，核心目标是回答三大问题：模型是否与经济理论一致？数据是否支持模型的假设条件？是否存在更优的替代设定？未经充分检验的回归结果在学术发表与政策分析中通常被视为不可靠。

基本假设检验

经典线性回归模型（CLRM）要求误差项满足零均值、同方差、无自相关且与解释变量不相关等假设，检验须首先验证这些基本条件。

异方差检验：异方差性下OLS标准误估计有偏，t检验与F检验失效。Breusch-Pagan检验将残差平方对解释变量做辅助回归，LM统计量渐近服从 $\chi^2$ 分布，对线性形式的异方差敏感。White检验加入平方项和交叉项，不假定异方差具体形式，但自由度随变量数平方增长。检测后常用HAC估计量修正标准误，或改用加权最小二乘法。

自相关检验：时间序列中误差自相关导致标准误低估与效率损失。Durbin-Watson检验基于残差一阶自相关系数，统计量 $d \in [0,4]$，$d \approx 2$ 表示无自相关，但存在无结论区间且不适用于含滞后因变量的动态模型。Breusch-Godfrey LM检验将残差对解释变量和滞后残差做辅助回归，可检验任意阶自相关。

正态性检验：Jarque-Bera检验基于偏度与峰度，是小样本精确推断的前提。大样本下渐近理论提供了更宽松的基础，故优先级通常低于异方差和自相关检验。

设定检验

Ramsey RESET检验将OLS拟合值的高次项加入原模型，检验函数形式是否误设，优势在于无需指定备择假设的具体形式。嵌套模型使用似然比检验（LR）、Wald检验或拉格朗日乘子检验（LM）。非嵌套模型用Davidson-MacKinnon的J检验。Hausman检验在面板数据中用于固定效应与随机效应模型的选择，也用于内生性检测——若个体效应与解释变量相关，随机效应估计不一致。

结构稳定性检验

Chow检验在已知结构断点时比较子样本残差平方和构造F统计量，要求子样本容量大于参数个数，广泛用于政策效应评估。断点位置未知时，CUSUM检验提供递归残差累积的统计量及置信带，对捕捉经济体制渐变尤为重要。CUSUMSQ检验则更适用于检测方差的结构变化。

模型选择准则

AIC和BIC在拟合优度与参数数量间权衡：$AIC = -2\ln(L) + 2k$，$BIC = -2\ln(L) + k\ln(n)$。两者均以最小化为优，BIC在大样本下对参数惩罚更严，倾向于节俭模型；AIC在预测导向的设定中表现更好。信息准则不提供统计显著性判断，常与假设检验方法配合使用。

现代拓展

自助法：通过对样本重抽样构造经验分布，为检验统计量提供更精确的有限样本临界值，尤其适用于HAC估计量中的有限样本推断。交叉验证：k折交叉验证以平均测试误差评价模型，是变量选择和正则化调优的常用策略。贝叶斯方法：后验预测检验从后验分布中抽取参数生成模拟数据并与实际数据比较；贝叶斯因子提供不同于p值的模型比较框架，自然惩罚过度参数化。

总结

模型检验是贯穿计量经济学研究全过程的核心环节。从基本假设（异方差、自相关、正态性）到函数形式与结构稳定性，从经典信息准则到贝叶斯和机器学习方法，检验体系不断丰富和深化。严格的模型检验不仅是为了满足技术规范，更是保证实证结论可信度的基本前提。研究者应根据数据特征和研究目的选择合适方法，将检验结果与理论分析相结合，避免单纯依赖p值进行机械的检验钓鱼。模型检验的真正价值在于引导研究者更深入地理解数据结构与经济机制，从而构建更具解释力和预测力的模型。