高斯-马尔可夫假定

高斯-马尔可夫假定

高斯-马尔可夫假定（Gauss-Markov Assumptions）是一组在线性回归模型框架下，用于证明普通最小二乘法（OLS）估计量为最佳线性无偏估计量（BLUE）的核心假定。这些假定构成经典线性回归模型的理论基石，其结论由高斯-马尔可夫定理阐述。

考虑多元线性回归模型：

其中 $Y_i$ 为因变量，$X_{1i}, \dots, X_{ki}$ 为自变量，$\beta_0, \dots, \beta_k$ 为待估参数，$u_i$ 为误差项。

五个核心假定

假定一：参数的线性性。模型必须是关于参数 $\beta_0, \dots, \beta_k$ 的线性函数。自变量可非线性变换（如 $X^2$、$\log X$），但参数不能以指数、乘积等非线性形式出现。

假定二：随机抽样。样本通过随机抽样获得，观测值独立同分布（i.i.d.）。此假定确保样本代表总体，使统计推断有意义。时间序列数据中通常代之以平稳性和弱相关性假定。

假定三：不存在完全多重共线性。任何自变量不能表示为其他自变量的线性组合。此时设计矩阵 $X$ 列满秩，$(X'X)^{-1}$ 存在。常见违反情形包括虚拟变量陷阱（为所有类别引入虚拟变量）。

假定四：零条件均值。给定自变量的值，误差项的条件期望为零：

这是最关键的假定，它要求所有未观测因素与自变量不相关，即外生性。违反该假定导致内生性，使OLS估计产生偏误且不一致。常见来源包括：遗漏变量偏误、联立性偏误和测量误差。

假定五：同方差性。给定自变量的值，误差项的条件方差恒定：

违反时存在异方差性，此时OLS虽仍线性无偏但不再是BLUE，标准误需使用稳健标准误（如怀特标准误）。

经典线性模型假定

有时增加第六个假定：误差项的正态性，$u_i \sim N(0, \sigma^2)$。该假定非BLUE证明所需，但对小样本精确推断（t检验和F检验）至关重要。大样本下由中心极限定理保证渐近正态性。

假定与OLS性质总结

• 假定一至四：保证OLS估计量的无偏性
• 假定一至五（高斯-马尔可夫假定）：保证OLS为BLUE
• 假定一至六（经典线性模型假定）：小样本下t检验和F检验精确有效

实践中，研究者需检验这些假定的成立情况，并在违反时采取补救措施，如使用稳健标准误、广义最小二乘法或工具变量法，以确保结论的可靠性。