联合假设

联合假设

联合假设（joint hypothesis）指同时对多个参数施加约束的假设，区别于每次只涉及单个参数的简单假设。在计量经济学中，联合假设检验用于判断一组回归系数是否同时满足特定条件——例如，"所有行业虚拟变量系数同时为零" 或 "两个政策干预效应相等"。联合假设的核心问题是：多个约束必须作为一个整体加以检验，逐项单独检验会严重扭曲真实显著性水平。

核心问题：多重检验与错误膨胀

对 $k$ 个独立约束逐一进行 $t$ 检验（每个显著性水平 $\alpha$）时，至少一项 "显著" 的概率远大于 $\alpha$。在独立性假设下，$\text{Pr}(\text{至少一项拒绝} \mid H_0) = 1 - (1 - \alpha)^k$。当 $k = 10, \alpha = 0.05$ 时，该概率达 $0.401$——整体第一类错误率被严重抬高。此即多重比较问题（multiple comparisons problem），联合假设检验通过单一统计量同时评估全部约束，将总显著性控制在预设水平。

此外，单个 $t$ 检验不显著而联合检验显著的情况并不矛盾：各系数各自与零无显著差异，但它们集体偏离零的方向一致时，联合检验获得足够的 "累积信号" 而拒绝原假设。这正是联合假设检验不可被逐项检验替代的根本原因。

Wald检验原理与构造

Wald检验是检验联合假设最通用的框架。设原假设为 $H_0: R\boldsymbol{\beta} = \mathbf{r}$，其中 $R$ 是 $q \times k$ 约束矩阵（$q$ 为约束个数），$\boldsymbol{\beta}$ 为 $k$ 维参数向量。Wald 统计量构造为：

直觉：若原假设成立，则 $R\hat{\boldsymbol{\beta}} - \mathbf{r}$ 应接近零向量；Wald 统计量是约束偏离零的 马氏距离平方，在大样本下渐近服从自由度为 $q$ 的卡方分布。与 LM检验（Lagrange Multiplier）和似然比检验（Likelihood Ratio）并称三大经典检验，三者在大样本下等价，但在有限样本中表现不同。

线性回归中的F检验

在满足正态性假设的经典线性模型中，联合假设可由精确有限样本 F 检验 执行。设无约束模型有 $k$ 个参数，受约束模型有 $k - q$ 个参数（即施加了 $q$ 个线性约束），则：

其中 $SSR_r$ 和 $SSR_u$ 分别为受约束和无约束回归的残差平方和。若误差正态性不成立，F 统计量仅渐近有效，此时宜用 Wald 或稳健标准误版本的检验。

典型应用：检验教育回报率是否因性别而异——以交互项 $\text{educ} \times \text{female}$ 纳入模型后，联合检验 "交互项系数 = 0 且 female 主效应系数 = 0" 判断性别差异的整体显著性。又如在GDP增长决定方程中检验 "所有制度质量指标系数同时为零"。

非线性约束与Delta方法

当约束非线性时（如检验 $\beta_1 \beta_2 = 1$ 或 $\beta_1 / \beta_2 = \beta_3$），Wald 检验仍适用，但约束矩阵 $R$ 替换为约束函数 $h(\boldsymbol{\beta}) = \mathbf{0}$ 的雅可比矩阵，并由 Delta方法 导出渐近协方差。非线性约束下，Wald 检验存在参数化不变性缺失问题（同一实质约束的不同代数表述可得不同检验统计量），此时似然比检验优先。

联合假设与模型设定检验

联合假设框架也是模型设定检验的基础工具。Ramsey RESET检验以拟合值的平方、立方等项构成联合假设 "所有非线性项系数为零"；Chow检验检验两组数据是否共享同一系数——实质是联合假设 "所有系数跨组无差异"；Hausman检验通过联合比较两种估计量（如固定效应与随机效应）差异，检验 "差异向量为零" 的联合假设。

报告与解读惯例

实证研究中应同时报告：约束个数 $q$、检验统计量值、自由度、p值，以及受约束和无约束模型的拟合优度对比。若拒绝联合零假设，需进一步通过置信区间或子集检验定位驱动拒绝的约束。切忌将联合检验的结论等同于 "每个被约束参数都不为零"——联合检验的拒绝只意味着至少一个约束不成立。

口诀：多个约束一起检→单检膨胀第一类错→F/Wald/LR三大法宝→约束矩阵 $R$ 定框架→渐近卡方或精确F→显著则至少一约束不成立→模型设定诊断的利器。