迭代期望定律

迭代期望定律 (Law of Iterated Expectations)

迭代期望定律（Law of Iterated Expectations，LIE），也称重叠期望定律或塔性质（Tower Property），是概率论与计量经济学中的基础定理。该定律陈述：对于可积随机变量$Y$和任意随机变量$X$，$\mathbb{E}[Y] = \mathbb{E}_X[\mathbb{E}[Y \mid X]]$，即$Y$的无条件期望等于给定$X$时$Y$的条件期望再对$X$取期望。更一般地，若$\mathcal{G} \subseteq \mathcal{H}$为子$\sigma$-代数，则$\mathbb{E}[\mathbb{E}[Y \mid \mathcal{H}] \mid \mathcal{G}] = \mathbb{E}[Y \mid \mathcal{G}]$。迭代期望定律是连接条件期望与无条件期望的桥梁，在回归分析、预测理论、资产定价和贝叶斯统计中广泛应用。

形式化定义与直观

设$(\Omega, \mathcal{F}, \mathbb{P})$为概率空间，$Y$可积（$\mathbb{E}[|Y|] < \infty$），$X$为任意随机变量。迭代期望定律的最常见形式为：

其中$\mathbb{E}[Y \mid X]$是给定$X$时$Y$的条件期望，它是$X$的函数，本身是一个随机变量。外层期望对该随机变量取期望，恢复$Y$的总体均值。

直观上，该定律可通过分段平均来理解：将总体按$X$的取值划分为若干子群，先计算每个子群内$Y$的均值$\mathbb{E}[Y \mid X = x]$，再以各子群在总体中的比例$P(X = x)$为权重，对所有子群均值加权平均——结果恰好等于总体均值$\mathbb{E}[Y]$。例如将学生按性别分组，计算男生和女生的平均分并加权，即得全校平均分。无论按何种分组方式，只要分组覆盖全体且不重叠，加权结果必然一致——这正是LIE的实质。

一般塔性质

若$\mathcal{G} \subseteq \mathcal{H} \subseteq \mathcal{F}$，则对可积随机变量$Y$：

该形式揭示：较小信息集下的条件期望等于先在大信息集下取条件期望再对较小信息集取条件期望。当$\mathcal{G} = \{\emptyset, \Omega\}$（平凡$\sigma$-代数）时，条件期望退化为无条件期望，即得简化形式。塔性质确保了反复条件化不会引入偏误，即"平均的平均就是总平均"。

在计量经济学中的应用

在线性回归模型中，迭代期望定律是理解零条件均值假设的基础。对于回归模型$Y = \beta_0 + \beta_1 X + \epsilon$，关键假设$\mathbb{E}[\epsilon \mid X] = 0$结合LIE可推出：

1. $\mathbb{E}[\epsilon] = \mathbb{E}[\mathbb{E}[\epsilon \mid X]] = 0$：误差项无条件均值为零。
2. $\operatorname{Cov}(X, \epsilon) = 0$：由$\mathbb{E}[X\epsilon] = \mathbb{E}[X \cdot \mathbb{E}[\epsilon \mid X]] = 0$得证。

在工具变量（IV）估计中，LIE为推导两阶段最小二乘法的一致性提供概率基础：第一阶段预测值$\hat{X}$满足与结构误差的正交条件。在面板数据的固定效应模型中，LIE用于处理个体异质性与误差项的相关性结构。

预测理论与方差分解

迭代期望定律是预测理论的核心。设$\hat{Y} = \mathbb{E}[Y \mid X]$为基于信息$X$的最优预测，则条件期望是均方误差最小的预测函数，且LIE保证使用更多信息不会使预测的期望偏离真实值。

与条件方差分解公式紧密相连：

该分解将$Y$的总变异性分为可由$X$解释的部分（组间方差）和不可解释的部分（组内方差），是方差分析的理论基础，也是回归中R平方定义的概率来源。

与相关概念的关系

在贝叶斯统计中，LIE对应于后验期望的无偏性：后验均值$\mathbb{E}[\theta \mid \text{data}]$的先验期望等于先验均值$\mathbb{E}[\theta]$，即$\mathbb{E}[\mathbb{E}[\theta \mid \text{data}]] = \mathbb{E}[\theta]$。

在资产定价中，随机贴现因子$M$满足$\mathbb{E}[M R] = 1$（$R$为资产收益）。通过LIE将无条件定价关系分解为条件形式$\mathbb{E}[M R \mid \mathcal{F}_t] = 1$，据此导出条件CAPM和时变风险溢价的实证框架。Hansen-Jagannathan界限的推导也依赖LIE。

局限性

迭代期望定律要求$\mathbb{E}[|Y|] < \infty$（$Y$可积），否则条件期望无定义。在极值理论和某些厚尾分布（如柯西分布）中，该条件可能不满足。此外，当用样本估计$\mathbb{E}[Y \mid X]$时，非参数估计的误差会通过LIE传播至无条件推断，需结合渐近理论审慎处理。