经典线性回归模型 (Classical Linear Regression Model, CLRM)

经典线性回归模型 (Classical Linear Regression Model, CLRM)

经典线性回归模型（Classical Linear Regression Model, CLRM）是计量经济学的理论基石，它规定了一组使普通最小二乘法 (OLS) 估计量具有优良统计性质的标准假设。在这些假设下，OLS 估计量是最优线性无偏估计量 (BLUE)，这一结论由高斯-马尔可夫定理保证。

模型设定

经典线性回归模型可写为：

其中 $\mathbf{y}$ 为 $n \times 1$ 的因变量向量，$X$ 为 $n \times k$ 的设计矩阵，$\boldsymbol{\beta}$ 为 $k \times 1$ 的待估参数向量，$\boldsymbol{\epsilon}$ 为 $n \times 1$ 的随机误差项向量。

经典假设

CLRM 建立在以下核心假设之上：

1. 线性性：模型对参数 $\boldsymbol{\beta}$ 是线性的。
2. 严格外生性：误差项的条件期望为零，$E[\boldsymbol{\epsilon} \mid X] = \mathbf{0}$。这意味着解释变量与误差项不相关。
3. 同方差性：误差项具有恒定方差，$\operatorname{Var}(\epsilon_i \mid X) = \sigma^2$ 对所有 $i$ 成立。
4. 无自相关：不同观测的误差项互不相关，$\operatorname{Cov}(\epsilon_i, \epsilon_j \mid X) = 0$（$i \neq j$）。假设3和4合起来可写为 $\operatorname{Var}(\boldsymbol{\epsilon} \mid X) = \sigma^2 I$。
5. 无完全多重共线性：设计矩阵 $X$ 列满秩，$\operatorname{rank}(X) = k$，从而 $(X^TX)^{-1}$ 存在。

若进一步假设误差服从正态分布 $\boldsymbol{\epsilon} \mid X \sim N(\mathbf{0}, \sigma^2 I)$，则模型升级为经典正态线性回归模型 (CNLRM)，可进行精确的小样本假设检验。

高斯-马尔可夫定理

在假设1至5成立时，OLS 估计量

是 $\boldsymbol{\beta}$ 的最优线性无偏估计量——在所有线性无偏估计量中具有最小方差。这一结论是 OLS 方法在计量经济学中占据核心地位的根本原因。

假设的违背与应对

实证研究中经典假设常被违背，相应的诊断和修正方法构成了计量经济学的主要内容：

• 违背同方差性导致异方差，需使用稳健标准误或加权最小二乘法。
• 违背无自相关导致序列相关，常见于时间序列数据，需使用广义最小二乘法或 Newey-West 标准误。
• 违背严格外生性导致内生性，需使用工具变量法或两阶段最小二乘法。
• 存在近似多重共线性时，估计量方差膨胀，可使用岭回归等正则化方法。