Chow 参数稳定性

Chow 参数稳定性

在计量经济学中，Chow 参数稳定性检验（Chow Test）是由 Gregory Chow 于 1960 年提出的一种统计检验方法，用于判断两个或多个子样本的线性回归系数是否存在显著差异。其核心问题为：数据生成过程中的参数是否在样本期内保持稳定？若参数不稳定（存在结构突变），基于全样本的单一回归将产生误导性结论。

检验原理

Chow 检验基于受约束与无约束回归的残差平方和比较。假设全样本容量为 $N$，将其分割为两组子样本，容量分别为 $n_1$ 和 $n_2$（$n_1 + n_2 = N$）。设：

• $RSS$：全样本回归的残差平方和（受约束模型，约束参数跨子样本相等）
• $RSS_1$：子样本 1 独立回归的残差平方和
• $RSS_2$：子样本 2 独立回归的残差平方和
• $k$：回归参数个数（含截距项）

无约束模型的残差平方和为 $RSS_{UR} = RSS_1 + RSS_2$。Chow 检验的 F 统计量为：

若 F 统计量超过临界值，则拒绝"参数稳定"的原假设，认为存在结构突变。

三种变体

断点 Chow 检验：研究者已知或假设一个断点日期，将样本在断点处分割。适用于外生事件（如政策变更、金融危机）前后的参数一致性检验。

预测 Chow 检验：当一组子样本容量过小无法独立估计时，用大样本估计参数，再检验小样本的观测是否与该模型一致。统计量为：

Quandt-Andrews 未知断点检验：当断点未知时，在样本中间区域对每个候选断点进行 Chow 检验，取最大 F 统计量（Sup-F），其临界值由 Andrews (1993) 推导的非标准分布给出。此方法避免了对断点的先验假设。

关键假设

Chow 检验在各子样本中要求：误差项服从正态分布且同方差。若子样本间误差方差不同，F 统计量的有限样本性质将严重失真。此时应使用允许异方差的Wald 检验，或采用 Bootstrap 方法获取临界值。

此外，Chow 检验只能检验参数是否一致，不能识别具体哪个系数发生变化。若拒绝原假设，可进一步使用虚拟变量回归来定位突变的系数。

应用场景

Chow 检验广泛应用于：宏观经济学中识别菲利普斯曲线的稳定性变化；金融学中检验资产定价模型在牛市与熊市间的参数一致性；政策评估中判断干预前后的行为方程是否发生结构性改变。在断点回归设计中，Chow 检验也可以作为参数稳定性的辅助诊断工具，但其本身不解决内生性问题。

与虚拟变量回归的等价性

Chow 断点检验在代数上与引入截距虚拟变量和交互项的全样本回归完全等价。具体而言，构造如下回归：

其中 $D_i$ 为时期虚拟变量（子样本 1 取 0，子样本 2 取 1）。对联合假设 $H_0: \delta_0 = \delta_1 = 0$ 做 F 检验，所得 F 统计量与 Chow 检验的 F 统计量数值完全一致。这一等价性揭示了 Chow 检验的本质：它检验的是两组子样本的所有系数（截距与斜率）是否同时相等。虚拟变量方法还有额外优势——即使原假设被拒绝，也能直接读出各系数的变化方向和幅度，无需再单独做子样本回归。

局限与扩展

Chow 检验的经典形式仅适用于单断点、线性回归、同方差正态误差的场景。对于以下扩展情形，需采用更灵活的方法：非线性模型中的参数稳定性可使用似然比检验；多个未知断点可借助 Bai-Perron (1998, 2003) 的全局最小 RSS 算法；面板数据中常用Hausman 检验或 Poolability F 检验来判断混合回归的合理性；时间序列中的平滑结构变化则可使用状态空间模型和卡尔曼滤波。此外，Chow 检验对断点两侧样本量敏感——若 $n_2 < k$，预测检验形式是唯一可行的选择。