线性回归模型OLS假设与违反后果梳理.docxVIP

线性回归模型OLS假设与违反后果梳理

一、引言

线性回归模型是计量经济学与统计学领域应用最广泛的分析工具之一，普通最小二乘法（OLS）则是估计线性回归模型参数的核心方法。OLS估计量之所以被称为“最佳线性无偏估计量”（BLUE），其优良性质完全依赖于一系列严格的基本假设（伍德里奇，2015）。在实证研究中，不少研究者往往只关注参数估计结果与显著性检验，却忽视了对OLS基本假设的验证，这可能导致估计结果存在偏差、不可靠，甚至得出错误的研究结论。因此，系统梳理OLS的核心假设内涵、明确各项假设违反后的具体后果，是保障实证研究科学性与严谨性的关键环节。本文将从OLS核心假设的内涵出发，逐层剖析每项假设违反后的影响，并进一步介绍假设违反的诊断与修正方法，为相关实证研究提供理论参考与实践指引。

二、线性回归模型OLS的核心假设

OLS的优良性质（无偏性、有效性、一致性）是建立在一系列经典假设基础之上的，这些假设大致可分为模型设定假设与误差项假设两类，以下对各项核心假设进行详细阐述：

（一）线性性假设

线性性假设是OLS的最基础假设之一，其核心内涵是回归模型的参数与因变量之间呈现线性关系，而非要求解释变量与因变量本身必须是线性的（Gujati，2009）。也就是说，即使解释变量与因变量之间存在非线性关系，只要这种关系可以通过变量变换转化为参数线性的形式，仍然满足线性性假设。例如，若因变量与解释