添加变量检验

添加变量检验 (Variable Addition Test)

添加变量检验（Variable Addition Test），又称嵌套模型检验（Nested Model Test）或回归设定检验，是计量经济学和统计学中用于判断向现有回归模型中添加一组新变量是否能显著提升模型解释力的核心检验方法。其本质是检验一组额外的解释变量的系数是否联合为零，即考察这些新变量对被解释变量是否具有统计上显著的增量解释能力。添加变量检验是模型选择、变量选择和假设检验的交汇点，在实际研究中广泛应用于理论假说的实证验证和模型设定的统计诊断。

检验的基本原理

设基准（受约束）模型包含 $k$ 个解释变量：$y = X_1\beta_1 + \varepsilon$，扩展（无约束）模型在基准模型基础上额外加入 $q$ 个新变量：$y = X_1\beta_1 + X_2\beta_2 + \varepsilon$。添加变量检验的本质是检验原假设 $H_0: \beta_2 = 0$（新变量的系数联合为零）。若该假设被拒绝，则表明新变量提供了基准模型未能捕捉的显著信息，应予以纳入；若无法拒绝，则表明新变量的增量解释力不足以补偿模型复杂度的增加。

检验的三种核心方法

一般F检验（Partial F-Test）

在经典线性回归模型的高斯-马尔可夫假定下，最直观的方法是一般F检验（General F-Test），也称为偏F检验（Partial F-Test）。该检验基于两个模型的残差平方和（RSS）的比较：

其中 $RSS_R$ 和 $RSS_{UR}$ 分别为受约束模型和无约束模型的残差平方和，$q$ 为新增变量个数，$n$ 为样本容量。$F$统计量衡量的是：平均而言，每个新增变量带来的残差减少量相对于模型整体残差的比重大小。直觉上，若新增变量对被解释变量具有显著解释力，则 $RSS_R - RSS_{UR}$ 将较大，F统计量随之增大，超过临界值时拒绝原假设。该检验等价于检验无约束模型中 $X_2$ 系数的联合显著性，其计算可以利用偏相关系数或偏R²进行直观表达：$F = \frac{R^2_{UR} - R^2_R}{1 - R^2_{UR}} \cdot \frac{n - k - q - 1}{q}$，其中 $R^2_{UR}$ 和 $R^2_R$ 分别为无约束模型和受约束模型的拟合优度。

似然比检验（LR Test）

在非标准设定或使用最大似然估计（MLE）的广义线性模型中，添加变量检验可通过似然比检验（Likelihood Ratio Test）实现。设 $\ln L_R$ 和 $\ln L_{UR}$ 分别为受约束和无约束模型的对数似然值，LR统计量为：

LR统计量在原假设下渐近服从自由度为 $q$ 的卡方分布。该检验仅需估计两个模型的对数似然值，计算简便，适用于任何基于似然框架的模型设定，包括Logit模型、Probit模型、泊松回归等。例如，在研究教育年限和培训经历对就业概率的影响时，可在基准Logit模型中加入代表特定职业培训的一系列虚拟变量，利用LR检验判断培训变量的联合显著性。

沃尔德检验（Wald Test）与拉格朗日乘数检验（LM Test）

沃尔德检验（Wald Test）和拉格朗日乘数检验（LM Test）为添加变量检验提供了互补视角。Wald检验仅需估计无约束模型，检验 $\hat{\beta}_2$ 是否显著偏离零向量：$W = \hat{\beta}_2' [\text{Var}(\hat{\beta}_2)]^{-1} \hat{\beta}_2 \xrightarrow{d} \chi^2(q)$。而LM检验仅需估计受约束模型，检验在受约束最优点处得分向量（Score Vector）的显著性：$LM = s(\hat{\theta}_R)' [I(\hat{\theta}_R)]^{-1} s(\hat{\theta}_R) \xrightarrow{d} \chi^2(q)$。在经典线性回归中，三者数值等价，即 $F = LR/q = W/q = LM/q$，但这一等价关系仅在正态误差下严格成立。在非线性模型中三者仅渐近等价，有限样本下结论可能分歧，通常LR检验在中等样本下表现最优，Wald检验对参数约束的非线性变换缺乏不变性，LM检验则因无需估计无约束模型而计算最为简便。

特殊形式：RESET检验与遗漏变量检验

Ramsey回归设定误差检验（RESET检验）是添加变量检验在模型设定诊断中的一个重要特例。RESET检验通过向基准模型添加拟合值的高次幂（$\hat{y}^2, \hat{y}^3$等）作为新增变量，检验模型是否存在函数形式误设，即是否遗漏了非线性项或交互项。其本质是检验当前线性模型的设定是否充分，信息是否完全被线性形式所捕获。如果RESET检验显著拒绝，通常意味着需要在模型中引入平方项、交互项或进行变量变换（如对数变换）。

此外，遗漏变量检验（Omitted Variable Test）是添加变量检验的另一重要应用。当研究者怀疑某个可能相关的变量（如能力、制度质量、管理效率）因数据不可得而被排除在模型之外时，可通过寻找该遗漏变量的代理变量（Proxy Variable）或工具变量并检验其显著性来判断遗漏变量偏误的严重程度。在面板数据模型中，添加变量检验常用于判断是否应纳入固定效应或随机效应（即Hausman检验），以及是否应加入时间虚拟变量以控制时间效应。

实用经验与注意事项

添加变量检验在实际应用中面临若干关键陷阱需谨慎应对。首先，数据挖掘偏误（Data Mining Bias）：在大量候选变量中反复进行添加变量检验，筛选出统计显著的变量，将导致多重比较问题，名义显著性水平严重膨胀。建议使用Bonferroni校正或FDR控制等方法调整临界值，或采用信息准则（AIC、BIC）和交叉验证进行模型比较作为补充。其次，标注本拟合：在小样本（$n < 100$）中添加大量变量时，$R^2$ 可能被人为提高，但调整R²（Adjusted R²）和F检验的惩罚机制可部分缓解此问题。第三，多重共线性：新变量与现有变量高度相关将导致系数估计的方差膨胀（VIF增大），降低检验功效——此时添加变量可能因标准误过大而无法通过显著性检验，即使该变量在经济含义上至关重要。最后，添加变量检验假设基准模型本身是正确设定的——若基准模型因遗漏关键非线性项或存在严重的异方差或自相关而设定有误，则检验结果可能产生误导。实践中应配合残差诊断、异方差稳健标准误（如White标准误或Newey-West标准误）以及模型平均等方法进行综合判断，而非机械依赖单一的添加变量检验结果。