狭义计量经济学

狭义计量经济学 (Narrow Econometrics)

狭义计量经济学指以概率论和数理统计为基础，对经济变量之间的关系进行参数估计、假设检验和预测的学科体系。这一界定源自弗里希（Ragnar Frisch）1933年在《Econometrica》创刊号中的经典阐述——计量经济学是统计学、经济理论与数学三者的结合，而非任何单一学科。狭义的计量经济学聚焦于"测量"（metric）的核心使命：用可观测的经验数据，结合经济理论设定的模型结构，对经济规律给出定量化的描述、验证和预测。

与广义计量经济学的分野

理解"狭义"的关键在于区分计量经济学的两种传统。广义计量经济学几乎囊括一切用数学和统计工具描述经济现象的活动，包括投入产出分析、数据包络分析（DEA）、国民经济核算乃至纯粹的描述性统计分析。而狭义计量经济学严格限定在随机模型框架内，强调变量的随机性、误差项的明确设定以及基于样本数据对总体参数的统计推断。换言之，广义计量经济学回答"经济数据长什么样"，狭义计量经济学回答"在随机世界中，经济理论所预测的关系是否成立、程度多大"。

这一区分也对应两种哲学态度：广义立场包容一切"用数字说话"的经济分析；狭义立场坚持，没有随机误差项和概率分布假定的模型不能称为计量经济学模型，只能是确定性计算。

核心方法论框架

狭义计量经济学的标准工作流程可以概括为"设定—估计—检验—应用"四步：

模型设定（specification）：根据经济理论选择被解释变量 $y$ 和解释变量 $X$ 的函数形式，并明确随机误差项 $\varepsilon$ 的引入。典型形式为线性回归模型： \[ y = X\beta + \varepsilon,\quad \varepsilon \sim (0, \sigma^2\Omega) \] 设定阶段需要回答：哪些变量进入模型？函数形式是线性还是非线性？误差项的协方差结构是什么？
参数估计（estimation）：在给定样本 $\{y_i, X_i\}_{i=1}^n$ 下，寻找总体参数 $\beta$ 的最优估计。最经典的估计方法是普通最小二乘法（OLS），其核心思想是使残差平方和最小： \[ \hat{\beta} = \arg\min_{\beta} \sum_{i=1}^n (y_i - X_i\beta)^2 \] 当高斯-马尔可夫假定（误差项零均值、同方差、无自相关，解释变量外生）成立，OLS 是最佳线性无偏估计量（BLUE）。违反这些假定时，需要推广至广义最小二乘法（GLS）、工具变量法（IV）、广义矩方法（GMM）、极大似然法（MLE）等。

经典假定及其违反

狭义计量经济学的理论体系围绕一组理想假定展开，并系统化研究每一条假定违反时的后果与补救方法。这些假定包括：

严格外生性： $E[\varepsilon_i \mid X] = 0$ 。违反时，OLS 估计量不一致，需使用工具变量（IV）。工具变量的两个条件——相关性与外生性——构成了计量经济学中最核心也最具争议的识读策略。
同方差： $\operatorname{Var}(\varepsilon_i \mid X_i) = \sigma^2$ 对任意 $i$ 成立。违反时，OLS 不再是 BLUE，但在弱条件下仍保持一致性。此时使用异方差稳健标准误（White/Huber-Eicker）进行推断。
无自相关： $\operatorname{Cov}(\varepsilon_i, \varepsilon_j \mid X) = 0\;(i \neq j)$ 。在时间序列数据中常见违反，导致 OLS 仍可能无偏但标准误错误，需使用Newey-West 等异方差-自相关一致（HAC）估计。
无完全多重共线性：解释变量间不存在精确线性关系。接近违反时（高度多重共线性），OLS 估计的方差急剧膨胀，使推断不可靠。
正态性（可选）：在小样本中，误差项正态分布假定使 $t$ 检验和 $F$ 检验的精确分布可用；大样本时可借助渐近理论不加此假定。

每一假定违反都催生了一个庞大的方法论子领域。例如，工具变量法催生了弱工具变量诊断、过度识别约束检验（Sargan/Hansen J 检验）；异方差处理发展出可行广义最小二乘法（FGLS）和异方差一致协方差矩阵估计。这种"基准模型—假定违反—补救方法"的递进结构，构成了狭义计量经济学教科书的标准叙事。

假设检验：从 $t$ 到现代推断

估计仅是计量分析的第一步。假设检验是将样本信息转化为科学判断的核心环节。狭义计量经济学的推断框架建立在频率学派的统计哲学之上：

单一参数检验：使用 $t$ 统计量 \[ t = \frac{\hat{\beta}_j - \beta_j^0}{\operatorname{SE}(\hat{\beta}_j)} \] 在零假设 $H_0: \beta_j = \beta_j^0$ 下，决定是否拒绝该假设。
多重约束检验：使用 $F$ 统计量 / Wald 统计量，检验多个参数的联合约束（如"所有行业虚拟变量系数同时为零"）。
模型诊断检验：拉姆齐 RESET 检验用于函数形式误设；Breusch-Pagan 和 White 检验用于异方差诊断；Durbin-Watson 和 Breusch-Godfrey 用于自相关诊断。

现代狭义计量经济学在推断理论上的重大进展是稳健推断（robust inference）的普及。即便模型设定不完全正确，通过调整协方差矩阵的估计方式，也能在弱条件下获得一致的标准误估计。这一思想在聚类稳健标准误（cluster-robust）和异方差自相关稳健（HAC）推断中达到巅峰，深刻影响了当代应用微观计量研究的操作规范。另一条路径是自助法（bootstrap）——通过重抽样模拟统计量的经验分布，在小样本或非标准分布情形下替代渐近理论。

预测：计量模型的最终产出

预测是狭义计量经济学的第三大功能（与描述、检验并列）。给定估计得到的模型 $\hat{y} = X\hat{\beta}$ ，对新的观测 $X_0$ 进行预测：

\hat{y}_0 = X_0\hat{\beta}

预测的精度由预测误差 $\hat{y}_0 - y_0$ 决定，其方差包含两个来源：参数估计的不确定性（ $\hat{\beta}$ 本身的方差）和随机误差 $\varepsilon_0$ 的不可消除的方差。经典方法给出预测区间而非点预测。在时间序列语境中，条件异方差模型（ARCH/GARCH）专门刻画波动率聚集现象，用于金融收益率的波动预测。

Granger 因果关系检验是预测视角下的一个独特贡献——如果 $x$ 的过去值在 $y$ 的过去值已纳入模型后仍有助于预测 $y$ 的未来值，则称 $x$ 是 $y$ 的 Granger 原因。这一概念不涉及真正的因果性，而纯粹是预测意义上的增量信息贡献，却极为实用。

经典传统的内在张力

狭义计量经济学的伟大成就在于提供了一个逻辑自洽、操作清晰的推断范式。然而其内部始终存在一种张力：经济理论的要求与统计工具的约束之间的矛盾。经济学理论通常假设"其他条件不变"（ceteris paribus），要识别某一因果效应，但观测数据极少满足这一理想。解决这一矛盾的两种路径：

结构化方法（考尔斯委员会传统）：坦率接受经济理论的约束，写出完整的联立方程模型，区分内生变量和外生变量，通过识别条件确保结构参数可估计。两阶段最小二乘法（2SLS）、三阶段最小二乘法（3SLS）和全信息极大似然法（FIML）是该传统的核心工具。
简约化方法：弱化理论结构，以"准实验"设计（自然实验、断点回归（RDD）、双重差分（DiD））替代参数化的识别假设，将因果推断建立在研究设计而非函数形式上。这一路径自 1990 年代起席卷应用微观经济学，但其根基——潜在结果框架和工具变量——均在狭义计量经济学的经典体系中。