KNOWECON WIKI

ARTICLE

选择性偏误

选择性偏误 (Selection Bias) 选择性偏误是统计学和计量经济学中一个核心概念，指因样本选择过程与所研究变量之间存在依赖关系而导致的系统性偏差。当分析所使用的样本并非从目标总体中随机抽取时，基于该样本得出的统计推断将不再代表总体特征，从而产生偏误。选择性偏误的经典处理框架由詹姆斯·赫克曼 (James Heckman) 在1970年代建立，他因此

浏览 3 更新 2025-10-26

选择性偏误 (Selection Bias)

选择性偏误是统计学和计量经济学中一个核心概念，指因样本选择过程与所研究变量之间存在依赖关系而导致的系统性偏差。当分析所使用的样本并非从目标总体中随机抽取时，基于该样本得出的统计推断将不再代表总体特征，从而产生偏误。选择性偏误的经典处理框架由詹姆斯·赫克曼 (James Heckman) 在1970年代建立，他因此获得了2000年诺贝尔经济学奖。

基本定义与产生机制

选择性偏误的本质是缺失数据的非随机性。设总体的回归方程为：

yi=xi′β+εiy_i = \mathbf{x}_i'\boldsymbol{\beta} + \varepsilon_i

若样本选择变量 sis_i 与误差项 εi\varepsilon_i 存在相关性，即 E(εi∣si=1)≠0E(\varepsilon_i \mid s_i = 1) \neq 0，则基于观测样本估计的参数将是有偏且不一致的。从数学上讲，观测样本的条件期望为：

E(yi∣xi,si=1)=xi′β+E(εi∣si=1)E(y_i \mid \mathbf{x}_i, s_i = 1) = \mathbf{x}_i'\boldsymbol{\beta} + E(\varepsilon_i \mid s_i = 1)

当 E(εi∣si=1)≠0E(\varepsilon_i \mid s_i = 1) \neq 0 时，OLS 估计量失效。这意味着即使样本量趋近于无穷大，估计结果也不会收敛到真实参数值，因而选择性偏误是大样本下也无法消除的系统性偏误，与随机抽样误差有本质区别。偏误的严重程度取决于选择机制与结果变量之间的相关性强度以及样本选择比例。

主要类型

选择性偏误在实践中表现为多种形式：

  • 样本选择偏误 (Sample Selection Bias)：样本数据并非随机缺失，而是依据某个与结果变量相关的规则缺失。例如，在估计劳动供给工资方程时，仅观测到有工作者的工资数据，而劳动者的就业决策本身受潜在工资水平影响。
  • 自选择偏误 (Self-Selection Bias)：个体依据自身特征和预期收益决定是否参与某项活动，导致参与者的特征分布与总体不同。例如，参加职业培训项目的人往往本身就有更高的动机和能力，简单比较参与者和非参与者的收入差异会高估培训效果。
  • 幸存者偏误 (Survivorship Bias)：分析仅基于"幸存"下来的观察对象，忽略了那些因失败而退出样本的个体。著名例子包括二战期间对返航飞机弹孔分布的统计——仅研究返航飞机而忽视被击落的飞机会导致关键防御部位的误判。
  • 确认偏误 (Confirmation Bias)：研究者倾向于寻找、关注和记忆与自己已有信念一致的证据，同时忽视或低估相悖的证据。这虽属于认知心理偏误，但在实证分析的变量选择和模型设定中亦有体现。

检测方法

在实际应用中，研究者可通过以下方法初步判断选择性偏误的存在与否：

  • 理论分析：基于经济理论判断选择机制是否可能影响结果变量。例如，在估计教育回报率时，若个体的求学决策同时取决于其不可观测的能力因素，则选择性偏误几乎必然存在。
  • 比较参与者与非参与者：若可获得非参与者的部分信息（如人口统计特征），通过比较两组在可观测变量上的分布差异可以间接评估选择效应的大小。
  • 敏感性分析：通过在模型中逐步加入可能的混淆变量，观察核心估计系数的稳定性。若系数随变量加入而发生剧烈变化，则选择性偏误值得警惕。
  • 边界分析：Manski (1990) 提出的非参数边界方法可以在不做强分布假设的前提下，给出处理效应可能取值的范围，从而评估选择性偏误的潜在影响程度。

赫克曼两阶段修正法

赫克曼提出的两阶段修正法是最经典的处理选择性偏误的方法。考虑一个含选择方程的模型：

第一阶段（选择方程）：

si∗=zi′γ+ui,si={1if si∗>0,0otherwises_i^* = \mathbf{z}_i'\boldsymbol{\gamma} + u_i, \quad s_i = \begin{cases} 1 & \text{if } s_i^* > 0, \\ 0 & \text{otherwise} \end{cases}

第二阶段（结果方程）：

yi=xi′β+εiy_i = \mathbf{x}_i'\boldsymbol{\beta} + \varepsilon_i

误差项 (ui,εi)(u_i, \varepsilon_i) 服从联合正态分布。赫克曼证明，可以通过在结果方程中加入逆米尔斯比率 (Inverse Mills Ratio, IMR) 来纠正选择偏误：

λ(zi′γ)=ϕ(zi′γ)Φ(zi′γ)\lambda(\mathbf{z}_i'\boldsymbol{\gamma}) = \frac{\phi(\mathbf{z}_i'\boldsymbol{\gamma})}{\Phi(\mathbf{z}_i'\boldsymbol{\gamma})}

其中 ϕ\phi 和 Φ\Phi 分别为标准正态分布的密度函数和累积分布函数。修正后的结果方程为：

yi=xi′β+ρσελ(zi′γ)+νiy_i = \mathbf{x}_i'\boldsymbol{\beta} + \rho\sigma_\varepsilon\lambda(\mathbf{z}_i'\boldsymbol{\gamma}) + \nu_i

在操作上，首先用 Probit 模型估计选择方程，计算 IMR；然后将 IMR 作为额外回归元加入结果方程进行 OLS 估计。若 IMR 的系数显著，则表明存在选择性偏误。

经济学中的典型应用

选择性偏误在经济学实证研究中无处不在，几乎涵盖所有依赖观测数据进行因果推断的领域：

  • 劳动经济学：工资方程的估计必须考虑劳动参与决策。女性的劳动参与选择尤其非随机，赫克曼修正法在该领域被视为标准工具。另一个经典案例是评估工会对工资的影响——加入工会的工人本身与未加入者在不可观测特征上存在系统性差异。
  • 教育经济学：教育回报率估计深受自选择偏误困扰——选择继续深造者的能力分布与选择就业者不同。工具变量法（如利用义务教育法、大学距离作为工具变量）和双重差分法是常用应对策略。
  • 金融经济学：共同基金业绩评估中普遍存在幸存者偏误——业绩差的基金被清算后从数据库中消失，仅保留存活基金的数据，导致对基金平均回报率的估计向上偏误。这一偏误可显著改变对冲基金行业的绩效排名。
  • 政策评估：处理效应估计中，处理组与控制组的非随机分配是选择性偏误的核心来源。随机对照试验是解决该问题的黄金标准，但在不可行时，倾向得分匹配、断点回归设计和双重差分法是常用替代方案。
  • 健康经济学：医疗保险市场的逆向选择本质上是选择性偏误的表现——健康状况较差者更倾向于购买高保障保险，导致保险池风险结构恶化。

与其他偏误的关系

选择性偏误与遗漏变量偏误和内生性概念紧密交织。它可被视为遗漏变量偏误的一种特殊形式——被遗漏的变量是影响选择过程的不可观测因素。更广义而言，选择性偏误是内生性的重要来源之一，解决手段包括赫克曼修正、工具变量法、匹配方法以及自然实验。

实践启示与总结

选择性偏误是实证研究中最常见也最棘手的偏差来源之一，其本质在于数据缺失机制的非随机性。研究者在设计和分析中应注意以下要点：

  • 前瞻性设计：在数据收集阶段即考虑可能的选择机制，尽可能收集影响选择过程的变量信息，为后续偏误修正奠定基础。
  • 模型依赖：所有纠正选择性偏误的方法都依赖于特定的识别假设。赫克曼修正法的效果高度依赖于选择方程设定的正确性以及排除性约束条件的有效性——模型中必须包含至少一个影响选择但不直接影响结果变量的变量。若无有效的排除变量，识别完全依赖于函数形式的假设，结果可信度将大幅降低。
  • 方法互补：倾向得分匹配依赖可观测变量的可忽略性假设，赫克曼修正依赖联合正态性和排除约束，工具变量法依赖外生性条件。不同方法各有优劣，交叉验证是审慎实践的基石。
  • 透明报告：在实证论文中应明确说明样本选择过程、缺失数据比例以及所采用的偏误修正方法，并进行充分的敏感性分析以展示结果对关键假设的稳健性。

总体而言，选择性偏误提醒我们：数据不是随机生成的——观察到的样本始终是某种选择过程的产物。理解和建模这一选择过程，是学术研究从"相关关系"走向"因果关系"的关键一步。