零条件均值假设

零条件均值假设 (Zero Conditional Mean)

零条件均值假设=计量线性回归核心→论证OLS具有无偏性关键前提→要不可观误差项u在给定解释变量条件期望零。多元：$y=\beta_0+\beta_1x_1+\cdots+\beta_kx_k+u$→$E(u|x_1,\dots,x_k)=0$→对任X值→u均零→不可观因素与可观解释变量无系统性关联。

直观：工资-教育模$wage=\beta_0+\beta_1 educ+u$→u含能力/经/家景/运/积极性。假要→无论教育高→未观特征（如"天赋"）均水平同。若违→高教育者平均能力强→$E(u|educ)\neq0$→u随教育系统增→违。

重要性与对比

OLS无偏性基石：$E(u|X)=0$→OLS不会系统性高低估x对y影响→成功分解y变为X解释+u解释。若$E(u|X)\neq0$→OLS有偏→遗漏变量偏误→如能力（u中）与教育（x）正相关→OLS误将"高能"带工资溢价归因"高教"→高估教育回报率$\beta_1$。

vs零相关：零条件均值>>零相关。$Cov(x_j,u)=0$+$E(u)=0$弱→$E(u|X)=0$蕴含两者（期望迭代律：$E(u)=E[E(u|X)]=0$→$Cov(x_j,u)=E[x_jE(u|X)]=0$）→但反之不立→如$Cov(x,u)=0$仍可存$E(u|x)=x^2-E(x^2)$非线性→违零条件均值。满该假设的X=外生变量→违=内生变量。

违反原因与应对

原因：①遗漏变量偏误（最常见→遗漏影响y且与x相关变量→影"吸收"到u→u与x相关）；②联立性偏误（y与x双向因果→如警数x对罪率y→警多降罪→罪高促多警→联立方程处理）；③测量误差（x测量含误差→误差成u部分→观x与u关联→变量误差模型）。

应对（u不可观→直接检难→赖经济理论逻辑判）：①工具变量IV→找z与内生x相关但与u不关→分离x中"干净"部分；②面板数据固定效应→消不随时间变遗漏变量（如个人固能）偏误；③加更多控制变量→减遗漏重变性。