沃尔德检验

沃尔德检验 (Wald Test)

沃尔德检验是统计学和计量经济学中与似然比检验、拉格朗日乘数检验并称三大假设检验方法——仅需估计无约束模型，直接衡量参数估计值与零假设理论值的标准化距离。由Abraham Wald提出。

核心直觉：若零假设为真，无约束估计量应接近假设值；若偏离过大（经标准误标准化后），则拒绝零假设。类似"测量物体位置"——理论说在原点，观测偏离原点，需判断是理论错误还是随机抽样误差。

检验构建

设参数向量 $\beta$（$k\times1$），检验 $q$ 个线性约束：

其中 $R$ 为 $q\times k$ 约束矩阵，$r$ 为 $q\times1$ 值向量。

步骤：

1. 无约束估计：得 $\hat{\beta}$ 及方差-协方差矩阵 $\widehat{Var}(\hat{\beta})$（通常通过最大似然估计或普通最小二乘法）。
2. 构建沃尔德统计量（二次型马氏距离平方）： \[ W = (R\hat{\beta} - r)' [R\,\widehat{Var}(\hat{\beta})\,R']^{-1} (R\hat{\beta} - r) \]
3. 大样本决策：$H_0$ 真时 $W \xrightarrow{d} \chi^2(q)$。给定显著性水平 $\alpha$，$W > \chi^2_{\alpha,q}$ 则拒绝 $H_0$；或p值 $<\alpha$ 拒绝。

应用示例

单系数检验：回归 $y = \beta_0 + \beta_1 x_1 + \beta_2 x_2 + \beta_3 x_3 + \epsilon$，检验 $H_0: \beta_2 = 0$。$R=[0,0,1,0]$，$r=0$，$q=1$：

即t检验统计量的平方——单参数沃尔德检验等价于双侧t检验。

联合检验：$H_0: \beta_2 = \beta_3 = 0$。$R=\begin{pmatrix}0&0&1&0\\0&0&0&1\end{pmatrix}$，$r=(0,0)'$，$q=2$。需完整矩阵公式，$W \sim \chi^2(2)$。此与F检验渐近等价（有限样本F更常用）。

性质与局限性

优点：仅需估计无约束模型→当受约束模型估计困难时极便利（如非线性约束）；回归输出中系数t值/p值即沃尔德检验特例→计算零门槛。

核心缺陷——非参数化不变性：经济意义上等价的假设仅因数学表达不同可得截然相反的结论。例如检验 $H_0: \theta = 1$ 与 $H_0: \ln\theta = 0$ 在理论上等价，但沃尔德统计量不同甚至结论相悖→"沃尔德之谜"(Wald Puzzle)。似然比检验无此问题。

有限样本脆弱性：严重依赖 $\widehat{Var}(\hat{\beta})$ 估计精度→小样本或模型误设时不可靠。尽管如此，因其直观简便，沃尔德检验仍是实证研究中最广泛使用的推断工具之一。