KNOWECON WIKI

ARTICLE

RESET检验

RESET检验（Regression Specification Error Test，回归设定误差检验）是由经济学家詹姆斯·拉姆齐（James B. Ramsey）于1969年提出的经典计量经济学检验方法。该检验的核心目的在于诊断线性回归模型是否存在设定误差，包括遗漏重要变量、错误的函数形式以及解释变量与误差项之间的相关性。RESET检验因其操作简便、理论

浏览 0 更新 2025-11-11

RESET检验（Regression Specification Error Test，回归设定误差检验）是由经济学家詹姆斯·拉姆齐（James B. Ramsey）于1969年提出的经典计量经济学检验方法。该检验的核心目的在于诊断线性回归模型是否存在设定误差，包括遗漏重要变量、错误的函数形式以及解释变量与误差项之间的相关性。RESET检验因其操作简便、理论基础清晰而成为回归诊断中最为常用的工具之一，在实证研究的模型验证环节占据重要地位。

检验的理论动机

经典线性回归模型（CLRM）的有效性依赖于一系列严格假定：模型函数形式正确、无遗漏变量、误差项零条件均值、同方差性、无自相关等。当这些假定被违反时，普通最小二乘法（OLS）估计量将丧失无偏性和一致性，基于其推导的统计推断也将失效。拉姆齐（1969）在提出RESET检验时，将设定误差归纳为三种类型：第一类是遗漏重要解释变量；第二类是模型函数形式错误，即真实关系为非线性时误设为线性；第三类是解释变量与误差项之间存在相关。这三类误差在实证研究中普遍存在，且往往相互关联。

RESET检验的基本思想十分直观：如果原模型的设定是正确的，那么其拟合值Y^i \hat{Y}_i 已经充分捕捉了解释变量与被解释变量之间的全部系统关系，此时拟合值的任何非线性变换（如Y^i2 \hat{Y}_i^2 、Y^i3 \hat{Y}_i^3 等）都不应具备额外的解释能力。反之，若这些非线性项在统计上显著，则表明原模型遗漏了重要的非线性结构或相关变量，模型的设定存在缺陷。这一思想可以追溯到拉姆齐在计量经济学方法论方面的深刻洞察——他主张模型诊断应当从模型自身出发，而非依赖对外部信息的先验假设。

检验的具体步骤

RESET检验的标准实施流程可分为以下步骤。第一步，估计原假设下的线性回归模型：

Yi=β0+β1X1i+β2X2i+⋯+βkXki+εiY_i = \beta_0 + \beta_1 X_{1i} + \beta_2 X_{2i} + \cdots + \beta_k X_{ki} + \varepsilon_i

得到拟合值 Y^i \hat{Y}_i 。第二步，构造辅助回归模型，将原模型的拟合值的幂次项作为附加解释变量引入：

Yi=β0+β1X1i+⋯+βkXki+γ1Y^i2+γ2Y^i3+⋯+γpY^ip+uiY_i = \beta_0 + \beta_1 X_{1i} + \cdots + \beta_k X_{ki} + \gamma_1 \hat{Y}_i^2 + \gamma_2 \hat{Y}_i^3 + \cdots + \gamma_p \hat{Y}_i^p + u_i

第三步，检验这些附加项的联合显著性，即检验原假设 H0:γ1=γ2=⋯=γp=0 H_0: \gamma_1 = \gamma_2 = \cdots = \gamma_p = 0 。常用的检验统计量为F统计量：

F=(RUR2−RR2)/p(1−RUR2)/(n−k−p−1)∼F(p, n−k−p−1)F = \frac{(R^2_{UR} - R^2_R) / p}{(1 - R^2_{UR}) / (n - k - p - 1)} \sim F(p,\ n - k - p - 1)

其中，RUR2 R^2_{UR} 和RR2 R^2_R 分别为无约束和有约束辅助回归模型的可决系数，n n 为样本容量，k k 为原模型解释变量个数，p p 为附加幂次项的个数。在样本量较大时，也可使用LM统计量（LM=n⋅RUR2 LM = n \cdot R^2_{UR} ）进行检验，其渐近服从χ2(p) \chi^2(p) 分布。

幂次项个数的选择

RESET检验的实际功效高度依赖于附加幂次项个数p p 的选择。拉姆齐最初建议使用Y^2 \hat{Y}^2 和Y^3 \hat{Y}^3 两项（即p=2 p = 2 ），这一选择已成为实证研究中的默认设定。其理论依据在于：泰勒展开定理表明，任何未知的非线性函数都可以通过足够高阶的多项式进行近似，平方项和立方项的引入足以捕捉大多数常见的非线性模式。若仅使用Y^2 \hat{Y}^2 一项（p=1 p = 1 ），检验可能无法检测到某些对称形式的非线性设定误差；而引入过高阶的幂次项（如p>3 p > 3 ）则可能导致多重共线性问题——因Y^ \hat{Y} 的各次幂之间高度相关——从而降低检验的统计功效。此外，在有限样本中，过高的幂次项会过度消耗自由度，对大样本和小样本均构成不利影响。

检验的适用范围与局限性

RESET检验具有广泛的适用范围。它能够有效检测以下类型的设定误差：（1）遗漏重要解释变量，尤其是遗漏变量的均值不为零且与已有解释变量相关的情形；（2）错误的函数形式，例如真实的非线性关系被误设为线性模型；（3）解释变量与误差项之间存在相关性，这通常隐含在函数形式误设或遗漏变量导致的偏误之中。值得注意的是，RESET检验对某些特定类型的设定误差不敏感。例如，当遗漏变量与已有解释变量正交（即不相关）时，遗漏变量并不会导致拟合值的非线性项显著，因此RESET检验可能无法检测到此类遗漏。此外，如果模型存在测量误差（Measurement Error），RESET检验的检测功效同样有限。

RESET检验的另一重要局限在于其无法提供关于"如何修正"模型设定错误的方向性指引——它仅能告知研究者模型可能存在设定问题，而无法揭示具体是遗漏了哪些变量或应采取何种函数形式。研究者需要结合经济理论、领域知识和其它诊断工具来进一步探索模型的正确设定形式。此外，当模型中存在异方差性时，标准的RESET检验统计量的有限样本性质会受到影响，研究者应考虑使用异方差稳健标准误（Heteroskedasticity-Robust Standard Errors）构造检验统计量，或采用基于自助法（Bootstrap）的检验程序以获得更可靠的推断结论。

小样本性质与统计功效

RESET检验在有限样本中的表现受到多个因素的制约。蒙特卡洛模拟研究表明，当样本容量低于五十时，RESET检验的实际显著性水平可能偏离名义显著性水平，出现过度拒绝原假设的倾向。检验的功效（即正确检测出设定误差的概率）取决于误差的严重程度、样本容量以及附加幂次项的选择。在中等样本（一百至两百个观测值）条件下，若模型存在中等程度的非线性设定误差，RESET检验的检测功效可达百分之八十以上。然而，当误差集中于高阶非线性模式时，仅使用平方项和立方项的RESET检验功效会显著下降。此外，误差项的正态性偏离也会影响检验统计量的有限样本分布，此时基于自助法（Bootstrap）获取的临界值可提供更为可靠的推断依据。

与其它设定检验的比较

在计量经济学的设定检验体系中，RESET检验与其它诊断工具形成互补关系。戴维森-麦金农检验（Davidson-MacKinnon Test）专门用于非嵌套模型的比较，通过将被选模型的拟合值纳入原模型来检验模型设定；拉格朗日乘数检验（LM Test）和沃尔德检验（Wald Test）则适用于更一般的参数约束检验场景。RESET检验的优势在于其不依赖于特定的备择假设——它无需研究者事先预设模型可能存在的具体错误类型，因此适合作为回归分析的通用诊断第一步。与之相对，怀特检验（White's Test）专注于异方差性检测，而Durbin-Watson检验和Breusch-Godfrey检验则专门针对自相关问题。在实证研究的实际操作中，建议研究者将RESET检验与上述工具配合使用，以构建完整的模型诊断体系。

RESET检验自提出以来，经历了半个多世纪的广泛应用与理论发展，已成为回归分析中不可或缺的模型设定诊断工具。它的简洁性与通用性使其被几乎所有主流统计软件（Stata、EViews、R、Python的statsmodels等）纳入内置功能。理解并正确运用RESET检验，是每一位计量经济学研究者和实证分析从业者的基本素养。