回归分析第22讲：非线性与模型设定错误——为什么你的模型“统计显著”，却并不可信？

统计

在前几讲中，我们已经反复强调过几个容易被忽视、但后果严重的问题：

异方差，会导致标准误失真；
自相关，会导致 t 值和 p 值出现“假显著”；
一旦残差不再是随机扰动，回归结论本身就缺乏可信基础。

当残差不再是“像随机误差”时，回归结论本身就很难站得住。

在这些问题之外，还有一种更隐蔽、也更容易被忽略的风险：

回归模型的形式，本身可能就是设定错误的。

这一讲，我们不再讨论“误差如何修正”，而是回到一个更根本的问题：

👉 你的回归模型，是否在一开始就被设定错了？

【一】什么是“模型设定错误”？

在经典线性回归中，我们隐含了一个非常强的假设：

因变量与自变量之间的关系，可以用线性形式来刻画。

但在实际研究中，这个假设经常不成立。

所谓模型设定错误，并不是“估计不精确”，而是真实的经济关系没有被正确写进模型。

常见的模型设定错误包括：

变量之间本质是非线性关系，却被强行用线性模型拟合
理论上应当取对数，却直接使用原始变量
关系中应当包含平方项或交互项，但模型中完全没有体现
遗漏关键变量，导致模型结构被系统性扭曲

这些问题的共同后果是：

👉 残差不再是随机波动，而会呈现出明显的结构性特征。

【二】为什么“非线性问题”比你想象得更严重？

很多同学会有一种直觉：

“只要 p 值显著、R² 很高，模型应该就没什么问题吧？”

但现实往往恰恰相反。

如果模型形式本身是错的：

回归系数的方向，可能只是“被模型拼凑出来的”
显著性来自函数形式的错配，而非真实经济关系
样本内拟合看似良好，样本外预测却往往全面失效

与异方差、自相关不同，非线性问题影响的不是推断精度，而是解释方向本身。

一句话概括：

非线性问题，整个“解释方向都可能是假的”。

【三】最直观的判断方式：残差图会“说话”

在所有模型诊断工具中，残差图是发现非线性最直观、也最容易被忽视的一张图。

1. 在线性模型设定合理的情况下：

残差应当围绕 0 随机波动
不呈现趋势，也不形成特定形状

2. 当模型存在非线性设定错误时，残差常见形态包括：

U 型 / 倒 U 型 → 模型中缺少平方项
弧形或波浪形 → 变量关系本质是非线性的
系统性偏正或偏负 → 模型整体设定存在偏误

👉 一旦残差开始呈现“形状”，而不再只是“噪声”：

线性假设基本可以被判定为不成立。

【四】形式化检验：RESET 检验在干什么？

除了“看图”，经济学里还有一个非常经典而常用的检验：

👉 Ramsey RESET 检验

RESET 检验本质上在问一句话：

你的模型里，是否遗漏了某些重要的非线性函数形式？

需要特别强调的是，如果 RESET 检验显著，它并不是在告诉你“应该加哪个变量”，而是在明确提醒你：

当前的模型形式可能不够用。

下面我们通过两个对照案例，来看 RESET 在什么情况下会“报警”。

我们在EViews中进行操作，在回归结果窗口中，依次点击 View → Stability Diagnostics → Ramsey RESET Test，即可得到 RESET 检验结果。

RESET 检验采用 F 统计量，对新增函数项进行联合显著性检验。RESET 检验的原假设是：回归模型的函数形式设定正确，不存在遗漏的非线性结构或函数形式错误。

1. 案例一：加拿大居民消费函数（线性模型未被否定）

我们先回到前文反复使用的案例——

1999–2019 年加拿大居民平均消费支出与平均可支配收入的消费函数模型。

首先，我们对这个案例进行一元线性形式的回归估计，结果如下，各个检验统计量都很理想。

图1 加拿大居民消费函数的线性回归结果

接着，对该模型进行 Ramsey RESET 检验。图2的检验结果显示，RESET 统计量不显著，无法拒绝“模型形式设定正确”的原假设。

图2 加拿大居民消费函数的RESET检验结果

这意味着：在该样本区间内，用线性模型刻画居民消费与收入之间的关系，并未表现出明显的函数形式遗漏问题，换句话说，这个模型应当是不需要二次项。

👉 这个例子说明：

RESET 检验并不是“一定会拒绝线性模型”，而是用于判断“当前线性设定是否不够用”。

2. 案例二：Engel 曲线（线性模型被 RESET 明确否定）

为了更直观地展示 RESET 检验的作用，我们再看一个对照案例——

食品支出占比（Food Share）与收入之间的 Engel 曲线模型。

首先，我们使用一元一次线性模型进行估计。图3结果显示，收入变量显著，模型整体拟合看似良好。

图3 Engel 曲线的线性回归结果

我们看一下这个模型的残差序列图：

图4 Engel 曲线线性模型的残差序列图

从图4看，残差随样本顺序的变化，并未呈现明显的趋势或周期性，但在局部区间内仍存在一定的结构性波动，这提示模型可能遗漏了非线性成分。

接着，对该模型进行 RESET 检验，统计量显著（图5），明确拒绝了模型形式设定正确的原假设。

图 5 Engel 曲线线性模型的 RESET 检验结果

这表明：
虽然线性模型在统计意义上“显著”，但其函数形式并不足以刻画真实的经济关系。

在此基础上，我们进一步在模型中加入收入的二次项。从结果看（图6），二次项显著，模型拟合改善；同时 RESET 检验不再显著（图7）。

图 6 加入收入二次项后的 Engel 曲线模型估计结果

图7 加入二次项后Engel 曲线线性模型的 RESET 检验结果

👉 这一对照结果再次说明：RESET 检验并不是否定变量本身，而是在提醒研究者：

“模型的函数形式需要调整了”。

【五】小结

非线性不是技术细节，而是经济机制没有被正确写进模型的信号。
RESET 检验真正的价值，不在于“通过或不通过”，而在于提醒研究者：模型形式是否已经足够贴近真实机制。