经典线性回归模型 (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) 是计量经济学中最基础的参数估计和统计推断框架。它假定因变量 $y$ 与一组解释变量 $\mathbf{X}$ 之间存在线性关系，误差项满足一组经典假设。在这些假设成立的前提下，普通最小二乘法 (OLS) 产生的估计量具有最优线性无偏性——即高斯-马尔可夫定理的核心结论。尽管现实经济数据常违反部分经典假设，CLRM 仍然是计量理论的逻辑起点，任何对基本假设的放宽（异方差、自相关、内生性）都是在其框架上进行的系统化修正。

七条经典假设

CLRM 由以下一组假设构成。假设一，线性性：总体回归函数在参数上是线性的，$y_i = \beta_0 + \beta_1 x_{1i} + \cdots + \beta_k x_{ki} + \epsilon_i$。这不排除变量是非线性变换（对数、平方等），仅要求参数以线性形式进入方程。假设二，满秩：解释变量矩阵 $\mathbf{X}$ 的列向量之间不存在完全的线性关系，即 $\operatorname{rank}(\mathbf{X}) = k + 1$（含截距项），否则多重共线性使 OLS 估计量不唯一。

假设三，零条件均值：$\mathbb{E}[\epsilon_i \mid \mathbf{X}] = 0$。这是 CLRM 中最重要的识别条件——它保证 OLS 估计量是总体参数的无偏估计，同时也是因果解释的统计基础。该假设失败时（如遗漏变量、测量误差或联立性），OLS 估计量产生内生性偏差，需借助工具变量或面板数据方法恢复一致估计。假设四，球形误差：$\operatorname{Var}(\boldsymbol{\epsilon} \mid \mathbf{X}) = \sigma^2 \mathbf{I}_n$，即误差项满足同方差性（所有观测的误差方差相同）和无自相关（任意两不同观测的误差不相关）。假设五，在非随机解释变量条件下，$\mathbf{X}$ 与 $\boldsymbol{\epsilon}$ 独立。假设六，正态性：$\boldsymbol{\epsilon} \mid \mathbf{X} \sim N(0, \sigma^2 \mathbf{I}_n)$，这一假设为有限样本下的精确 $t$ 检验和 $F$ 检验提供理论依据，但在大样本下可由中心极限定理渐近替代。

高斯-马尔可夫定理与有限样本性质

高斯-马尔可夫定理断言，在假设一至假设四成立的条件下，OLS 估计量 $\hat{\boldsymbol{\beta}} = (\mathbf{X}'\mathbf{X})^{-1}\mathbf{X}'\mathbf{y}$ 是 BLUE（最佳线性无偏估计量）：线性（估计量是 $y_i$ 的线性组合）、无偏（$\mathbb{E}[\hat{\boldsymbol{\beta}}] = \boldsymbol{\beta}$）且最优（在所有线性无偏估计量中方差最小）。值得注意的是，BLUE 性质并不依赖正态假设——即便误差是非正态的，只要零均值、同方差和无自相关成立，OLS 在线性无偏类中仍是效率最优的。

正态假设使 CLRM 从估计理论进入完整的推断框架。在 $\epsilon \sim N(0, \sigma^2 \mathbf{I})$ 和 $\mathbf{X}$ 固定的条件下，OLS 估计量服从精确的多元正态分布 $\hat{\boldsymbol{\beta}} \sim N(\boldsymbol{\beta}, \sigma^2(\mathbf{X}'\mathbf{X})^{-1})$，据此可推导出 t 统计量 $t = (\hat{\beta}_j - \beta_j)/\text{se}(\hat{\beta}_j)$ 在零假设下服从精确的 $t$ 分布和 F 统计量的精确分布形式。这些精确分布是置信区间构造和假设检验中 p 值计算的理论基础。