Wald检验

Wald检验

Wald检验（Wald test）是统计学和计量经济学中三大经典假设检验方法之一，与似然比检验（Likelihood Ratio Test）和拉格朗日乘数检验（Lagrange Multiplier Test）并称为最大似然框架下的"三位一体"。该方法由美籍匈牙利数学家Abraham Wald于1943年系统提出，其核心思想简洁而深刻：若零假设成立，则基于无约束模型估计出的参数应接近零假设所设定的约束值，二者的标准化距离——即"偏离的幅度"——构成检验统计量。与需要同时估计约束和无约束模型的似然比检验不同，Wald检验仅需估计无约束模型，无需为每个假设重新拟合模型，在计算上具有独特优势。

基本定义与构造

设参数向量 $\boldsymbol{\theta} \in \mathbb{R}^k$，原假设为 $H_0: \mathbf{h}(\boldsymbol{\theta}) = \mathbf{0}$，其中 $\mathbf{h}: \mathbb{R}^k \to \mathbb{R}^q$ 为 $q$ 个约束构成的连续可微函数。令 $\hat{\boldsymbol{\theta}}$ 为无约束最大似然估计（MLE），其渐近分布为：

其中 $\mathbf{V}$ 为渐近方差-协方差矩阵。由Delta方法可得 $\mathbf{h}(\hat{\boldsymbol{\theta}})$ 的渐近分布：

其中 $\mathbf{H}(\boldsymbol{\theta}) = \partial \mathbf{h}(\boldsymbol{\theta}) / \partial \boldsymbol{\theta}'$ 为 $q \times k$ 雅可比矩阵。Wald统计量定义为标准化二次型：

在零假设下，$W$ 渐近服从自由度为 $q$ 的卡方分布。这一统计量的直观含义是：它度量了无约束估计值 $\hat{\boldsymbol{\theta}}$ 与零假设约束值之间的马氏距离（Mahalanobis distance）。当 $q = 1$（单参数检验）时，Wald统计量退化为标准正态Z统计量的平方：$W = Z^2$，这意味着单参数的Wald检验与Z检验（或t检验的渐近版本）完全等价。

线性约束下的特殊形式

在经典的线性回归模型 $y = X\boldsymbol{\beta} + \varepsilon$ 中，线性约束 $H_0: R\boldsymbol{\beta} = \mathbf{r}$（$R$ 为 $q \times k$ 约束矩阵）的Wald统计量可简化为：

这一表达式与F检验统计量存在紧密关联。若误差项服从正态分布且方差已知，$W/q$ 精确服从 $F_{q, n-k}$ 分布；若方差未知但使用一致估计量，在大样本下 $W \xrightarrow{d} \chi^2_q$。若使用稳健标准误（如Eicker-Huber-White标准误），Wald检验在异方差存在时仍保持渐近有效，成为微观计量经济学实证研究的标配工具。

F检验与Wald检验的等价性

在经典线性回归模型中，若误差正态性假设成立，检验联合假设 $H_0: R\boldsymbol{\beta} = \mathbf{r}$ 的F统计量为：

可以证明 $F = W / q$，其中 $W$ 是使用已知误差方差构造的Wald统计量。因此两个检验在正态线性模型中完全等价。然而，当使用稳健标准误后，Wald检验的适用范围大大拓宽，而F检验则失去了其精确分布的性质。

与LR和LM检验的关系

三种检验构成MLE框架下的互补体系，各自具有不同的计算成本和应用场景：

• Wald检验：仅需估计无约束模型，检验约束是否近似满足。计算最简便，适合在已有完整模型估计结果的基础上快速检验各种假设。但存在参数化不变性缺失问题——同一假设的不同代数表达（如 $H_0: \beta_1 \beta_2 = 1$ 与 $H_0: \beta_1 = 1/\beta_2$）可得不同统计量值，可能导致推断结论分歧。
• 似然比检验：需同时估计约束与无约束模型，比较二者对数似然值之差 $LR = 2(\ln L_{UR} - \ln L_R)$。具有参数化不变性，有限样本性质通常优于Wald检验，是理论上的首选。
• LM检验：仅需估计受约束模型，检验受约束点处的得分是否为零。在约束模型易估计而完整模型高度复杂时（如检验是否存在ARCH效应）最具计算优势。

三者在大样本下渐近等价，满足 $W \geq LR \geq LM$ 的不等式关系（在正态线性模型中严格成立）。这一不等式反映了三种检验在有限样本中的保守程度差异：Wald检验倾向于过度拒绝零假设（size distortion），LM检验则偏保守，LR检验居中。

典型应用

Wald检验在计量经济学和应用统计学中应用极为广泛：在逻辑斯蒂回归和Probit模型等广义线性模型中，模型输出通常直接报告单个系数的Wald检验Z统计量及其p值；在GMM框架中，过度识别约束检验（J检验）本质上是一种Wald检验；在时间序列分析中，格兰杰因果关系检验通过Wald检验判断滞后项的联合显著性；在非线性回归中，研究者常借助Delta方法推导参数非线性函数的渐近方差，进而构造Wald统计量；在面板数据分析中，Wald检验用于检验固定效应与随机效应的联合显著性，或检验模型是否随时间参数稳定。

局限与注意事项

尽管Wald检验应用广泛，使用中需注意以下几点。第一，有限样本偏差：Wald统计量的有限样本分布可能严重偏离渐近卡方分布，尤其当约束非线性程度较高或样本量较小时，其实际拒绝率可能远高于名义显著性水平。建议使用Bootstrap方法获取更精确的临界值或p值。第二，参数化不变性缺失：同一假设的不同表达方式可导致不同推断结论，此时{似然比检验}是更可靠的选择。第三，边界参数问题：在边界参数检验（如检验方差分量为零或协方差矩阵退化）等非标准情形下，Wald统计量的渐近分布非卡方，需使用非标准检验理论（如Self-Liang检验）。第四，Wald检验在识别不足（weak identification）情形下表现极差，此时似然比检验的置信集在有限样本中仍具良好覆盖性质。

口诀：无约束模型估计→约束偏离标准化→二次型卡方分布→仅需无约束模型→大样本下渐近有效→注意有限样本偏差→非线性约束LR优先→识别不足时慎用。

Wald检验以其计算简便和适用范围广成为实证研究中最常用的假设检验工具之一，但研究者需对其有限样本性质和参数化依赖保持清醒认识。当条件允许时，应结合似然比检验或Bootstrap方法交叉验证结果，以确保推断的可靠性。在非线性约束或弱识别问题突出的情境下，似然比检验通常是更稳健的选择。