KNOWECON WIKI

ARTICLE

经典线性模型

经典线性模型 (Classical Linear Model) 经典线性模型，全称经典线性回归模型 (Classical Linear Regression Model, CLRM)，是计量经济学中最为基础和核心的理论框架。它设定了一组理想化的假设条件，在这些条件下，普通最小二乘法 (OLS)估计量被证明具有优良的统计性质。经典线性模型不仅是计量经济学教学的

浏览 7 更新 2026-07-11

经典线性模型 (Classical Linear Model)

经典线性模型，全称经典线性回归模型 (Classical Linear Regression Model, CLRM)，是计量经济学中最为基础和核心的理论框架。它设定了一组理想化的假设条件，在这些条件下，普通最小二乘法 (OLS)估计量被证明具有优良的统计性质。经典线性模型不仅是计量经济学教学的起点，也是更复杂模型（如广义最小二乘法、工具变量法、面板数据模型）推导的参照基准——理解在何种情况下CLRM的假设被违背，以及违背后如何修正，构成了现代计量经济学的主要内容。

模型设定

经典线性模型的基本形式为：

yi=β0+β1xi1+β2xi2+⋯+βkxik+εi,i=1,2,…,ny_i = \beta_0 + \beta_1 x_{i1} + \beta_2 x_{i2} + \cdots + \beta_k x_{ik} + \varepsilon_i, \quad i = 1, 2, \ldots, n

其中 yiy_i 为第 ii 个观测的被解释变量（因变量），xi1,…,xikx_{i1}, \ldots, x_{ik} 为 kk 个解释变量（自变量或回归元），β0,β1,…,βk\beta_0, \beta_1, \ldots, \beta_k 为待估计的未知参数，εi\varepsilon_i 为随机扰动项（误差项）。以矩阵形式简洁表示为：

y=Xβ+ε\mathbf{y} = \mathbf{X}\boldsymbol{\beta} + \boldsymbol{\varepsilon}

其中 y\mathbf{y} 为 n×1n \times 1 向量，X\mathbf{X} 为 n×(k+1)n \times (k+1) 矩阵（第一列通常为常数项对应的1），β\boldsymbol{\beta} 为 (k+1)×1(k+1) \times 1 参数向量，ε\boldsymbol{\varepsilon} 为 n×1n \times 1 扰动项向量。

经典假设

经典线性模型的效力来源于以下一组核心假设。这些假设共同确保了OLS估计量具有最优的统计性质：

  1. 线性性 (Linearity)：模型对参数是线性的，即 yiy_i 是参数 βj\beta_j 的线性函数。这并不意味着变量之间必须是线性关系——通过对变量进行变换（如取对数、平方项、交互项），模型仍可纳入非线性关系，关键是参数以线性形式进入模型。
  2. 严格外生性 (Strict Exogeneity)：扰动项的条件期望为零，即 E[ε∣X]=0\mathbb{E}[\boldsymbol{\varepsilon} \mid \mathbf{X}] = \mathbf{0}。这意味着扰动项与所有观测的解释变量（包括所有时间点上的）都不相关。该假设强于仅要求同期的 E[εi∣xi1,…,xik]=0\mathbb{E}[\varepsilon_i \mid x_{i1}, \ldots, x_{ik}] = 0，但在时间序列中，严格外生性排除了反馈效应——被解释变量的过去值影响未来解释变量的情况。
  3. 无完全多重共线性 (No Perfect Multicollinearity)：解释变量之间不存在精确的线性关系，即矩阵 X\mathbf{X} 是满列秩的（rank(X)=k+1\text{rank}(\mathbf{X}) = k+1）。如果存在完全多重共线性，(X′X)−1(\mathbf{X}'\mathbf{X})^{-1} 不存在，参数无法唯一估计。实践中，高度的非完全多重共线性同样会导致估计量的方差膨胀，可通过方差膨胀因子 (VIF)诊断。
  4. 球形扰动项 (Spherical Disturbances)：该假设包含两个子条件—— \begin{itemize}
  5. 同方差性 (Homoskedasticity)：Var(εi∣X)=σ2\text{Var}(\varepsilon_i \mid \mathbf{X}) = \sigma^2 对所有 ii 成立，即扰动项的方差是常数，不随解释变量或观测次序变化。
  6. 无自相关 (No Autocorrelation)：Cov(εi,εj∣X)=0\text{Cov}(\varepsilon_i, \varepsilon_j \mid \mathbf{X}) = 0 对所有 i≠ji \neq j 成立。在截面数据中，这意味着不同观测之间相互独立；在时间序列中，这意味着不存在序列相关。 \end{itemize} 用矩阵形式，该假设等价于 Var(ε∣X)=σ2In\text{Var}(\boldsymbol{\varepsilon} \mid \mathbf{X}) = \sigma^2 \mathbf{I}_n。
  7. 正态性 (Normality)（可选假设）：ε∣X∼N(0,σ2In)\boldsymbol{\varepsilon} \mid \mathbf{X} \sim \mathcal{N}(\mathbf{0}, \sigma^2 \mathbf{I}_n)。该假设在小样本中对于假设检验的精确 tt 和 FF 分布是必要的，但在大样本下，即使不满足正态性，借助中心极限定理，OLS估计量仍具有渐近正态性，检验统计量可使用渐近分布进行推断。

OLS估计

在经典线性模型框架下，参数向量 β\boldsymbol{\beta} 通过最小化残差平方和获得：

min⁡β^∑i=1nε^i2=min⁡β^(y−Xβ^)′(y−Xβ^)\min_{\hat{\boldsymbol{\beta}}} \sum_{i=1}^{n} \hat{\varepsilon}_i^2 = \min_{\hat{\boldsymbol{\beta}}} (\mathbf{y} - \mathbf{X}\hat{\boldsymbol{\beta}})'(\mathbf{y} - \mathbf{X}\hat{\boldsymbol{\beta}})

取一阶条件并求解，得到OLS估计量的闭合形式：

β^=(X′X)−1X′y\hat{\boldsymbol{\beta}} = (\mathbf{X}'\mathbf{X})^{-1}\mathbf{X}'\mathbf{y}

在满足假设1--4的条件下，β^\hat{\boldsymbol{\beta}} 是无偏的：E[β^∣X]=β\mathbb{E}[\hat{\boldsymbol{\beta}} \mid \mathbf{X}] = \boldsymbol{\beta}。其条件方差-协方差矩阵为：

Var(β^∣X)=σ2(X′X)−1\text{Var}(\hat{\boldsymbol{\beta}} \mid \mathbf{X}) = \sigma^2 (\mathbf{X}'\mathbf{X})^{-1}

扰动项方差 σ2\sigma^2 的无偏估计量为 s2=ε^′ε^n−k−1s^2 = \frac{\hat{\boldsymbol{\varepsilon}}'\hat{\boldsymbol{\varepsilon}}}{n - k - 1}，其中分母使用自由度而非样本量进行校正。单个系数 β^j\hat{\beta}_j 的标准误为 s⋅(X′X)jj−1s \cdot \sqrt{(\mathbf{X}'\mathbf{X})^{-1}_{jj}}。

高斯-马尔可夫定理

高斯-马尔可夫定理 (Gauss-Markov Theorem)是经典线性模型中最核心的结论：在假设1--4成立的前提下，OLS估计量 β^\hat{\boldsymbol{\beta}} 是最优线性无偏估计量 (Best Linear Unbiased Estimator, BLUE)。具体而言：

  • 线性 (Linear)：β^\hat{\boldsymbol{\beta}} 是 y\mathbf{y} 的线性函数——这在所有线性估计量类中给予OLS公平的比较起点。
  • 无偏性 (Unbiased)：在所有线性估计量中，OLS是无偏的——即估计量以真实参数值为中心分布，不存在系统性的高估或低估。
  • 最优/有效性 (Best/Efficiency)：在所有线性无偏估计量中，OLS具有最小的方差——即其在无偏估计量中精确度最高。"最优"指的是方差-协方差矩阵意义上的最小：对于任意其他线性无偏估计量 β~\tilde{\boldsymbol{\beta}}，Var(β~∣X)−Var(β^∣X)\text{Var}(\tilde{\boldsymbol{\beta}} \mid \mathbf{X}) - \text{Var}(\hat{\boldsymbol{\beta}} \mid \mathbf{X}) 是一个半正定矩阵。

高斯-马尔可夫定理的重要性在于：它告诉我们，只要经典假设成立，OLS估计量就已经是线性无偏估计量类中最好的，不需要再寻找更复杂的估计方法。反过来，定理也划定了OLS有效性的边界——一旦假设被违背，OLS将失去BLUE性质，需要使用广义最小二乘法 (GLS)、加权最小二乘法 (WLS)或其他估计技术来恢复有效性。

值得强调的是，BLUE并不意味着OLS在所有可能的估计量中都是最优的——非线性或有偏估计量（如岭回归、LASSO）在存在多重共线性或预测精度优先于无偏性的情境中可能表现更好。此外，如果正态性假设也成立，OLS估计量在小样本中还在所有估计量（不限于线性类）中具有最小方差，即它是最优无偏估计量 (Best Unbiased Estimator, BUE)。

拟合优度与模型诊断

模型的解释力通过决定系数 R2R^2 衡量：

R2=1−∑i=1nε^i2∑i=1n(yi−yˉ)2=ESSTSSR^2 = 1 - \frac{\sum_{i=1}^{n} \hat{\varepsilon}_i^2}{\sum_{i=1}^{n} (y_i - \bar{y})^2} = \frac{\text{ESS}}{\text{TSS}}

R2R^2 表示被解释变量的总变异中可由解释变量线性解释的比例，取值在0到1之间。为防止通过增加无关变量来人为提高 R2R^2，引入调整 R2R^2（Rˉ2\bar{R}^2），对额外的回归元施加自由度惩罚。然而，必须警惕对 R2R^2 的过度迷恋——一个高 R2R^2 既不能证明因果关系，也不能保证模型设定的正确性。

假设检验

在正态性假设下，可以进行精确的有限样本推断：

  • 单系数检验（tt 检验）：检验原假设 H0:βj=cH_0: \beta_j = c，检验统计量 β^j−cse(β^j)∼tn−k−1\frac{\hat{\beta}_j - c}{\text{se}(\hat{\beta}_j)} \sim t_{n-k-1}。最常见的特例是检验系数的统计显著性，即 H0:βj=0H_0: \beta_j = 0。
  • 多个线性约束检验（FF 检验）：检验如 H0:β1=β2=⋯=βk=0H_0: \beta_1 = \beta_2 = \cdots = \beta_k = 0（整体显著性检验）或更一般的线性约束 H0:Rβ=rH_0: \mathbf{R}\boldsymbol{\beta} = \mathbf{r}，其中 R\mathbf{R} 为 q×(k+1)q \times (k+1) 约束矩阵。检验统计量服从 Fq,n−k−1F_{q, n-k-1} 分布。
  • 置信区间：系数 βj\beta_j 的 100(1−α)%100(1-\alpha)\% 置信区间为 β^j±tn−k−1,α/2⋅se(β^j)\hat{\beta}_j \pm t_{n-k-1, \alpha/2} \cdot \text{se}(\hat{\beta}_j)。

在大样本下，即使正态性不成立，tt 统计量渐近服从标准正态分布，FF 统计量的 qq 倍渐近服从 χq2\chi^2_q 分布，因此渐近推断仍可进行。

假设违背与扩展方向

经典线性模型的优雅结论建立在其严格假设之上，而实际经济数据几乎总会违背其中某几项。现代计量经济学的大量发展正是围绕对这些假设的系统性放松：

  • 异方差：违背同方差假设时，OLS仍无偏且一致，但不再有效，且标准误的常用估计公式是有偏的。解决方案包括使用异方差稳健标准误（Huber-White sandwich estimator）或加权最小二乘法。
  • 自相关：在时间序列中常见，违背无自相关假设。OLS仍无偏但无效，标准误有偏。Newey-West标准误提供了异方差-自相关一致的方差估计。
  • 内生性：当 E[xiεi]≠0\mathbb{E}[x_i \varepsilon_i] \neq 0 时——可能来源于遗漏变量、测量误差、联立性或自选择——OLS既是有偏的也是不一致的。这是实证研究中最为严重的设定问题，通常借助工具变量法 (IV)、双重差分法 (DiD)、断点回归设计 (RDD)或随机对照试验 (RCT)来应对。
  • 多重共线性：虽不违背任何经典假设，但高度共线性会严重膨胀系数估计的方差，使个体系数的统计显著性难以识别。诊断工具包括VIF和条件数。

在经济学研究中的地位

经典线性模型远非一个过时的入门模型。它在实证研究中依然是最常被调用的基准框架——绝大多数应用计量研究的第一张回归表都是OLS估计结果。它的价值在于：作为最透明的线性基准，它为研究者提供了一个清晰的诊断起点。每当研究者转向更复杂的方法（IV、面板固定效应、非线性模型等）时，OLS的结果通常作为参照系呈现，以揭示数据中不同维度的变异如何影响结论。深刻理解经典线性模型的假设、性质及其在违背时的行为，是一个合格的应用经济学家不可或缺的基本功。