{
  "id": "durbin-wu-hausman-test",
  "title": "杜宾–吴–豪斯曼检验",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "杜宾–吴–豪斯曼检验通过比较普通最小二乘估计与工具变量估计，或检验扩展回归中的第一阶段残差，判断解释变量的外生性。",
  "category": "mathematics",
  "subcategory": "probability-statistics",
  "type": "concept",
  "aliases": [
    "DWH检验",
    "豪斯曼内生性检验",
    "吴–豪斯曼检验"
  ],
  "generated_at": "2026-11-05",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/durbin-wu-hausman-test/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/durbin-wu-hausman-test/",
      "json": "https://aiwiki.page/en/durbin-wu-hausman-test.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "杜宾–吴–豪斯曼检验是计量经济学中用于检验回归模型中指定解释变量能否视为外生变量的一类方法。它通常将普通最小二乘法（OLS）估计与工具变量（IV）估计进行比较。在原假设下，两种估计量都能相合地估计同一组参数；在备择假设下，OLS通常不再相合，而只要工具变量有效，IV仍然相合。另一种相关实现方式是在纳入原有回归变量后，检验第一阶段残差是否有助于解释结果变量。"
    },
    {
      "heading": "模型与假设",
      "text": "考虑如下线性回归模型：\n\n\\[y_i=x_i'\\beta+w_i'\\gamma+u_i,\\]\n\n其中，\\(x_i\\) 包含 \\(q\\) 个可能内生的回归变量，\\(w_i\\) 包含模型中纳入的外生控制变量，\\(u_i\\) 为扰动项。\\(w_i\\) 中可以包含常数项。令 \\(z_i\\) 表示未直接进入结构方程的工具变量，并将完整的工具变量向量定义为\n\n\\[a_i= \\begin{pmatrix} w_i\\\\ z_i \\end{pmatrix}.\\]\n\n工具变量的有效性要求满足以下正交条件：\n\n\\[E[a_i u_i]=0.\\]\n\n在控制 \\(w_i\\) 后，未直接进入结构方程的工具变量还必须能够解释 \\(x_i\\) 中足够多的独立变动，以识别可能内生的回归变量的系数。这就是统计识别所需的相关性条件或秩条件。\n\n外生性的原假设为\n\n\\[H_0:E[x_i u_i]=0.\\]\n\n结合所维持的 \\(w_i\\) 外生性假设，在标准正则条件下，OLS是一个相合估计量。备择假设则是至少有一个受检验的回归变量不满足这一正交条件。\n\n这种内生性可能源于遗漏变量、联立决定关系或测量误差。该检验不能识别究竟是哪种机制导致了内生性。\n\n这一假设针对的是所设定的模型及其扰动项。它并不是简单地检验解释变量是否与观测到的结果变量相关；未拒绝原假设也不能确立因果解释。"
    },
    {
      "heading": "估计量比较形式",
      "text": "其基本原理是：如果两个估计量都能相合地估计同一个参数，那么在大样本中，它们应当彼此接近。因此，两者之间的显著差异可能表明，其中一个估计量所需的假设不成立。\n\n令 \\(\\widehat\\theta_O\\) 和 \\(\\widehat\\theta_I\\) 分别为同一参数向量或其选定子向量的OLS估计和IV估计。定义\n\n\\[d=\\widehat\\theta_I-\\widehat\\theta_O.\\]\n\n一般的比较统计量为\n\n\\[H=d'\\widehat{\\operatorname{Var}}(d)^{-1}d.\\]\n\n在适当的正则条件下，该统计量在原假设下的极限抽样分布为卡方分布，其自由度等于所检验的独立约束的个数。\n\n在经典的豪斯曼构造中，OLS在原假设下具有渐近有效性，而IV在原假设和指定的备择假设下都相合。此时，由一个渐近协方差恒等式可得\n\n\\[\\operatorname{Var} (\\widehat\\theta_I-\\widehat\\theta_O) = \\operatorname{Var}(\\widehat\\theta_I) - \\operatorname{Var}(\\widehat\\theta_O).\\]\n\n由此得到常见的统计量\n\n\\[H= (\\widehat\\theta_I-\\widehat\\theta_O)' \\left[ \\widehat V_I-\\widehat V_O \\right]^{-1} (\\widehat\\theta_I-\\widehat\\theta_O),\\]\n\n其中，\\(\\widehat V_I\\) 和 \\(\\widehat V_O\\) 估计的是估计量本身的协方差矩阵，而不是经 \\(\\sqrt n\\) 缩放后的极限分布的协方差矩阵。\n\n有效性条件至关重要。在通常的线性模型中，如果满足条件同方差及其他所维持的假设，OLS相对于常规IV具有所需的渐近有效性。若不满足这一条件，将两个估计的协方差矩阵相减，并不一定能估计两种估计量之差的协方差。\n\n协方差差矩阵的奇异性与不定性\n\n即使模型已得到正确识别，协方差差矩阵也可能是奇异的。例如，比较完整的系数向量时，两者之差所包含的独立分量可能少于系数个数。\n\n当总体协方差矩阵的秩为 \\(r\\) 时，可以在有充分理论依据的情况下使用广义逆，并采用对应于 \\(r\\) 个约束的极限参考分布。这需要满足适当的秩条件。\n\n在有限样本中，协方差差矩阵也可能是不定的，从而产生负的统计量或导致无法计算。这可能反映抽样波动、协方差估计彼此不相容，或协方差差公式所依据的假设不成立。负值并不是卡方分布可能产生的有效结果，不应将其解读为支持外生性的证据。"
    },
    {
      "heading": "残差纳入法",
      "text": "一种广泛使用的实现方式避免了直接将OLS与IV的协方差矩阵相减。\n\n首先，将每个可能内生的回归变量对全部已纳入的外生控制变量和未直接进入结构方程的工具变量进行回归：\n\n\\[x_i=\\Pi'a_i+v_i.\\]\n\n令 \\(\\widehat v_i\\) 表示由此得到的、含有 \\(q\\) 个分量的第一阶段残差向量。随后，用OLS估计扩展方程：\n\n\\[y_i=x_i'\\beta+w_i'\\gamma +\\widehat v_i'\\rho+e_i.\\]\n\n内生性检验就是对以下假设进行联合检验：\n\n\\[H_0:\\rho=0.\\]\n\n这些残差代表可能内生的回归变量中无法由工具变量和控制变量解释的部分。在所维持的IV假设下，如果这些部分与结构扰动项之间存在系统性关系，就构成了反对外生性的证据。\n\n第一阶段回归必须纳入与结构方程相同的外生控制变量。如果对多个回归变量进行联合检验，也必须联合检验它们的残差。\n\n检验统计量与参考分布\n\n在经典同方差假设下，可以使用常规的联合 \\(F\\) 统计量检验残差系数。相关的杜宾和豪斯曼形式则使用以渐近卡方分布为参考分布的统计量。\n\n这些方法检验的是同一个基本外生性假设，并且在标准条件下渐近等价，但它们的有限样本统计量取值和P值未必相同。即使某种方法被称为吴–豪斯曼 \\(F\\) 检验，也不能仅凭这一名称就认定它在所有IV情形下都具有精确的有限样本 \\(F\\) 分布。\n\n对于异方差数据，一种常见替代方法是对残差系数进行经过适当构造的稳健瓦尔德检验。其有效性取决于所维持的矩条件假设及所采用的协方差估计量；并不能仅仅把经典差分公式中的两个协方差矩阵替换为稳健估计，就得到这种检验。"
    },
    {
      "heading": "异方差与观测值之间的依赖",
      "text": "当误差存在异方差时，OLS在原假设下仍可能相合，但不再具有渐近有效性。此时，估计量之差的方差一般为\n\n\\[\\begin{aligned} \\operatorname{Var} (\\widehat\\theta_I-\\widehat\\theta_O) ={}& \\operatorname{Var}(\\widehat\\theta_I) +\\operatorname{Var}(\\widehat\\theta_O)\\\\ &-\\operatorname{Cov}(\\widehat\\theta_I,\\widehat\\theta_O) -\\operatorname{Cov}(\\widehat\\theta_O,\\widehat\\theta_I). \\end{aligned}\\]\n\n有效的一般比较必须考虑这些交叉协方差。简单地将两个异方差稳健的协方差矩阵相减，通常无法做到这一点。\n\n稳健的内生性检验可以改用联合估计方程、经过适当构造的残差纳入检验，或其他基于矩条件的方法。对于聚类观测数据或时间序列数据，协方差计算还必须考虑相应的组内依赖或序列依赖。"
    },
    {
      "heading": "解释与局限",
      "text": "对有效工具变量的依赖\n\n该检验以工具变量有效为前提，并不检验或确立其有效性。如果工具变量与结构扰动项相关，IV就可能不相合，因此OLS与IV之间的差异不能唯一归因于回归变量的内生性。\n\n反过来，无效工具变量有时也会使IV估计接近OLS，从而即使模型设定有误，也无法拒绝原假设。过度识别约束检验针对的是另一类约束，不能替代外生性检验。\n\n弱工具变量\n\n在控制已纳入的外生变量之后，弱工具变量对可能内生的回归变量的变动解释力很小。在这种情况下，IV估计可能具有较大的有限样本偏差，其抽样性质也可能不符合常规渐近理论。\n\n因此，常规的杜宾–吴–豪斯曼检验可能出现拒绝概率失真或统计功效较低的问题。未能拒绝外生性，可能只是因为IV估计不够精确，而不是有力地证明了OLS有效。\n\n拒绝与不拒绝原假设\n\n拒绝原假设表明，在所维持的模型与工具变量假设下，存在与受检验的外生性约束不相容的差异。这本身并不能证明IV模型设定正确，也不能证明其估计识别了因果效应。\n\n不拒绝原假设意味着，在选定的显著性水平下，现有证据不足以拒绝原假设。这并不能证明回归变量是外生的、OLS不存在有限样本的估计量偏差，或不存在遗漏变量问题。\n\n估计目标的差异与模型设定\n\n这种比较以OLS和IV在原假设下估计同一底层参数为前提。在效应存在异质性的模型中，不同工具变量或加权方案可能对应不同的目标参数。此时，两种估计之间的差异可能反映估计目标或函数形式假设的差异，而不仅仅是固定系数线性模型所描述的简单外生性违背。\n\n该检验也不能判断观测到的关联是否代表因果关系；这种解释取决于研究设计和实质性假设。\n\n预检验估计\n\n不拒绝原假设后选择OLS，拒绝原假设后选择IV，会形成一种依赖数据的估计程序。如果报告常规标准误和置信区间时，将所选估计量视为事先就已确定，通常就没有考虑这种选择带来的影响。"
    },
    {
      "heading": "历史发展与相关检验",
      "text": "这一名称汇集了詹姆斯·杜宾于1954年、吴德敏于1973年以及杰里·A.·豪斯曼于1978年作出的贡献。杜宾和吴发展了与变量测量误差以及联立方程情形下替代估计量比较有关的检验。豪斯曼阐明了一般性的模型设定检验原理：将原假设下有效的估计量，与在更广泛条件下仍然相合的估计量进行比较。\n\n不同教科书和软件的术语有所差异：“杜宾检验”“吴–豪斯曼检验”和“豪斯曼检验”可能指这一相关检验族中的不同统计量。\n\n更广义的豪斯曼原理也用于比较面板模型中的固定效应估计量和随机效应估计量。该应用涉及不可观测的个体效应与回归变量之间的约束，而不是专门针对本文所述的OLS与IV之间的内生性比较。"
    }
  ],
  "links": [
    "econometrics",
    "ordinary-least-squares",
    "instrumental-variables",
    "linear-regression",
    "statistical-identification",
    "null-hypothesis",
    "consistent-estimator",
    "endogeneity",
    "sampling-distribution",
    "chi-squared-distribution",
    "degrees-of-freedom",
    "p-value",
    "covariance-matrix",
    "time-series",
    "statistical-power",
    "significance-level",
    "estimator-bias",
    "causal-inference",
    "standard-error",
    "confidence-interval"
  ],
  "sources": [],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}