古典回归模型的四大基石：从严格外生性到实际应用

1. 古典回归模型：不只是“跑个回归”那么简单

很多刚接触计量经济学或者数据分析的朋友，可能觉得线性回归就是“把数据扔进软件，点一下回归，看看R方和P值”。我以前也这么想，觉得这玩意儿就是个工具，会用就行。但后来在真实项目里踩过几次坑之后，我才深刻理解，古典回归模型（Classical Linear Regression Model, CLRM） 的威力，完全建立在它的几个基本假设之上。这些假设不是数学家闲着没事儿设定的“条条框框”，而是保证你从数据里挖出的结论不是“自欺欺人”的生命线。

你可以把古典回归模型想象成一个精密的科学天平。我们用它来称量“X对Y的影响到底有多大”。这个天平要能给出准确读数，必须满足几个条件：天平本身是水平的（模型设定正确），砝码是标准的（变量测量无误），没有风吹干扰（误差随机）。古典回归的四大假定，就是确保这个“计量天平”能正常工作的核心条件。如果这些条件不满足，你得到的系数估计可能看起来很美，但实际上已经严重失真，用它来做决策，无异于在沙地上盖高楼。

这四大基石通常被总结为：线性假定、严格外生性假定、无多重共线性假定、球形扰动项假定。今天，我想重点和你聊聊其中最关键、也最容易出问题的一条：严格外生性。它可以说是整个因果推断的“命门”。理解了它，你就能明白为什么很多时候我们“跑回归”得出的结论是站不住脚的，也能知道该从哪些方向去修补我们的模型。

2. 四大基石拆解：你的模型站得稳吗？

在深入“严格外生性”这个硬骨头之前，我们先快速过一遍其他三个假定，建立一个整体的图景。这样你才能明白，严格外生性是在一个什么样的系统里发挥作用。

2.1 线性假定：关系真的是一条直线吗？

线性假定说的是，我们研究的总体回归函数是线性的。注意，这里指的是“参数线性”，而不是“变量线性”。听起来有点绕？我举个例子。

假设我们想研究教育年限（X）对个人收入（Y）的影响。最简单的模型是： 收入 = β₀ + β₁ * 教育年限 + u 这就是参数线性的，β₁ 直接乘着X。

但如果我们怀疑教育回报率本身会随着教育水平变化（比如读硕士的回报比读本科高），我们可能会设定： 收入 = β₀ + β₁ * 教育年限 + β₂ * (教育年限)² + u 这个模型里出现了教育年限的平方项，但它对参数 β₀, β₁, β₂ 来说，依然是线性的。所以它依然满足线性假定。

什么情况不满足呢？如果模型长这样： 收入 = β₀ + (β₁ * 教育年限) / (β₂ + 教育年限) + u 参数 β₁ 和 β₂ 出现在了非线性位置，这就属于非线性模型，需要用更复杂的方法来估计。

在实际操作中，线性假定更多是建模的起点。我们通常先假设线性关系，然后通过残差分析、添加高次项或交互项来检验和修正。比如，画出残差与拟合值的散点图，如果呈现明显的U型或倒U型，就暗示可能存在非线性关系，需要考虑加入平方项或进行变量转换（如取对数）。

2.2 无多重共线性：变量之间别“穿一条裤子”

这个假定要求自变量之间不能存在完全的线性关系。换句话说，任何一个自变量都不能被其他自变量的线性组合完美预测。如果存在完全共线性，模型参数就无法唯一确定（数学上叫“矩阵不可逆”）。

完全共线性在现实中比较少见，但高度共线性却极其常见。比如，在一个企业研究模型中，同时放入“员工总数”和“工资总额”，这俩变量相关性就极高，几乎是一个信息的两种表达。

高度共线性不会导致估计有偏，但会带来两个麻烦：

1. 方差膨胀：系数估计的标准误会变得非常大，导致t检验失效（容易得出“不显著”的结论）。