工具变量法中“外生性”检验的常见方法.docxVIP

工具变量法中“外生性”检验的常见方法

引言

在因果推断的实证研究中，工具变量法是解决内生性问题的核心工具之一。当解释变量与误差项存在相关性（如遗漏变量、测量误差或反向因果）时，普通最小二乘法（OLS）会得到有偏且不一致的估计结果，此时工具变量法通过引入与内生解释变量高度相关但与误差项无关的工具变量，为因果效应估计提供了可行路径。而在工具变量的三大核心假设（相关性、外生性、排除性）中，“外生性”（即工具变量与误差项不相关）是最难以验证却又至关重要的条件——若工具变量不满足外生性，其估计量将失去一致性，整个分析结论的可靠性将面临根本性质疑。

本文将围绕工具变量法中“外生性”检验的常见方法展开系统论述。首先阐释外生性假设的核心内涵与检验逻辑，再依次介绍基于过度识别的统计检验、基于残差的直接相关性检验，以及间接验证与辅助性检验等方法，最后总结不同方法的适用场景与实践启示，为实证研究中的外生性检验提供系统性参考。

一、工具变量外生性的基本内涵与检验逻辑

要理解外生性检验的方法，需先明确外生性假设的核心要求及其在工具变量法中的作用机制。

（一）外生性假设的核心要求

工具变量的“外生性”，通俗来说是指工具变量（记为Z）必须与模型中的误差项（记为ε）不相关，即Cov(Z,ε)=0。这一假设要求工具变量的变动只能通过影响内生解释变量（记为X）来间接影响被解释变量（记为Y），而不能通过其他任何渠道直接影响Y或与Y的未观测因素（即ε）产生关联。例如，在研究教育对收入的因果效应时，若选择“是否出生在教育资源丰富地区”作为教育年限的工具变量，需确保该地区的其他特征（如经济发展水平、家庭背景）不会通过除教育以外的途径影响收入，否则工具变量的外生性将被破坏。

外生性假设的严格性源于其不可观测性——误差项ε本身包含了所有未被模型纳入的影响因素，无法直接观测，因此无法通过简单的相关性分析直接验证Z与ε的关系。这使得外生性检验成为工具变量法应用中的最大挑战。

（二）外生性检验的底层逻辑：从“不可观测”到“可验证”的转化

由于ε不可观测，外生性检验需通过间接方式实现。其核心逻辑是：若工具变量满足外生性，则基于工具变量估计的模型应满足某些可观测的统计条件。例如，在过度识别（工具变量数量多于内生解释变量）的情况下，不同工具变量提供的“信息”应指向一致的因果效应估计；若工具变量存在外生性问题，不同工具变量的估计结果会出现系统性偏差，从而通过统计检验被识别。

此外，部分检验方法通过构造“替代变量”或“伪工具变量”，将外生性假设转化为可观测变量间的相关性检验。例如，残差回归法通过将工具变量与2SLS估计的残差进行回归，间接检验工具变量与误差项的相关性；安慰剂检验则通过构造理论上应不满足外生性的“伪工具变量”，验证原工具变量的特殊性。

二、基于过度识别的外生性检验方法

当工具变量数量多于内生解释变量时（即过度识别），可通过统计方法检验多个工具变量是否共同满足外生性假设。这类方法是实证研究中最常用的外生性检验手段。

（一）Sargan检验的原理与操作步骤

Sargan检验由统计学家Sargan于1958年提出，适用于同方差假设下的过度识别检验。其基本思想是：若所有工具变量均满足外生性，则工具变量应与模型的残差不相关；若部分工具变量不满足外生性，残差中会包含这些工具变量的信息，导致工具变量与残差存在显著相关性。

具体操作步骤如下：首先，使用两阶段最小二乘法（2SLS）估计模型，得到残差向量；其次，将残差对所有外生变量（包括工具变量和模型中的外生解释变量）进行回归，计算回归的拟合优度R2；最后，构造Sargan统计量（nR2，n为样本量），该统计量在原假设（所有工具变量外生）下服从自由度为（工具变量数-内生解释变量数）的卡方分布。若统计量的p值大于显著性水平（如0.05），则不拒绝外生性假设；反之，则认为至少有一个工具变量不满足外生性。

例如，在研究“金融发展对经济增长”的因果关系时，若选择“法律起源”和“宗教信仰”作为金融发展的两个工具变量（假设金融发展是唯一的内生解释变量），则工具变量数（2）减内生变量数（1）的自由度为1。计算得到的Sargan统计量若对应p值大于0.05，则无法拒绝两个工具变量均外生的假设。

（二）HansenJ检验：对异方差的稳健性改进

Sargan检验的一个重要局限是依赖同方差假设，而实际数据中异方差现象普遍存在（如截面数据中个体差异导致的误差项方差不等）。Hansen于1982年提出的J检验对Sargan检验进行了改进，允许误差项存在异方差，因此在实证研究中更为常用。

HansenJ检验的逻辑与Sargan检验一致，但统计量的计算方式不同。它基于广义矩估计（GMM）框架，通过加权矩阵对残差的协方差进行调整，从而在异方差下仍保持有效性。具体操作中，