回归分析第5讲：回归分析的前提条件是什么？

在前面几讲，我们已经知道回归能回答什么、如何理解斜率 β₁、样本回归与总体回归的区别。这一讲我们说一下：

回归分析并不是简单地找出回归线，它有比较严格的前提条件。

回归模型是很容易拟合的，但 OLS（普通最小二乘法）作为最经典的线性回归方法，要想估计可靠、推断有效，其背后依赖一套统计假设。

【一】教材给出的经典假设

对于回归分析的前提条件，不同教材的提法中略有差异，有的列 4 条、有的 7 条、甚至 10+ 条。

比如《EViews在数据分析中的应用》（何晓琦，清华大学出版社）一书的第5章中列出 8 项经典假定，包括：

（1）模型的线性假定：被解释变量是解释变量的线性函数。（2）解释变量不能完全相同：至少有一个观察值与其它观察值是不同的。（3）解释变量是非随机的：说明解释变量与随机误差项是相互独立的。（4）观察值大于2：观察值个数大于解释变量个数，以保证解释变量之间不会存在严格的线性关系。（5）误差的期望值为零：即无偏性假定。（6）误差项同方差：所有随机误差项的方差相等。（7）序列独立：无序列相关性假定，即随机误差项之间无序列相关性。（8）残差正态分布：随机误差项服从均值为零的正态分布。”

以上假定，后面四项都是关于随机误差项的假定。

对初学者来说，不需要记这么多。Henry老师把这些假定，重新整理为OLS估计的五个核心前提。

【二】OLS 回归依赖的五个核心前提

（1）回归是线性的，变量之间是“直线关系”，也就是斜率是真实存在的。

也就是说，我们认为 X 每增加 1 单位，Y 会平均变化 β₁。

现实中非常多这样的例子：

• 每多学1小时英语 → 成绩平均提升？
• 每多投放1万元广告 → 销量平均增加？
• 企业ESG得分提高1分 → 融资成本变化？

如果真实关系是弯曲的、跳跃的、有明显拐点，那么“勉强拟合”线性回归，只会得到误导的结论，这就是模型中多项式回归、对数回归、非参数回归存在的意义。

比如，正常的英语学习函数是线性的，每多学 1 小时英语 ≈ 平均多考 2 分；但是，如果“学到第3小时突然跳升50分”，这个就不是正常的线性函数。

（2）解释变量必须有变化、不能全部相同

如果一个班所有同学每天都学习一小时的英语1小时，那么——你根本无法研究“学习时长对成绩有没有影响”。

因为 X 没有变化，β₁无法估计。

一句话记住：

回归要研究 X 对 Y 的影响，X 必须是真实在变化的。

现实研究也一样——如果你只研究沿海城市，根本无法判断“城市化率差异是否影响全国的住房价格”。

（3）解释变量与误差独立 —— 最关键的灵魂假设

这一条是回归里“最不起眼但最重要的条件”：

X 不能与误差项 ε 有系统性的关联。

它的意思是——Y 的其他影响因素（误差项 ε ）不能刚好和 X 同方向或反方向变化，否则回归会把它们误当成 X 的效果。

还是Henry老师的经典课堂例子“英语学习函数”：

假设我们发现每天学习 1 小时的学生普遍基础更好，那么：

• 他们原本就应该考得高
• 但回归模型会把这部分优势错算成“学习时长贡献的效果”

于是我们看到这批同学的英语成绩被高估，像这样：

• 看起来多学 1 小时 → 成绩 + 5 分
• 但真实可能只有 +2 分，其余 3 分来自他们的基础比较好，原来就掌握了这部分知识（模型把它归入误差项ε）

换句话说：

模型在回归时，把“基础好带来的成绩提升”误认为是“学习时长带来的效果”。因为模型只有一个自变量“学习时长”，未观测到的变量“英语基础好”则被归入了误差项 ε，但它却与学习时长产生了同方向变化，从而导致“学习时长→成绩”的影响被高估。

这就是内生性（Endogeneity）的本质：自变量与误差项发生系统性关联。

一旦这条假设不成立，再漂亮的OLS都站不稳。

（4）误差项方差恒定

要求误差项在不同样本区间中波动幅度相近，不能出现“有时安静、有时剧烈”的情况。如果低水平样本波动很小，高水平样本波动却极不稳定，就意味着模型可能存在异方差。

在英语学习成绩这个例子中，就可能会出现：

• 学得少的人成绩波动小
• 学得多的人成绩忽高忽低

这时候，尽管回归系数仍可估计，但标准误不再可信、t检验和显著性结论可能偏离真实情况。

所以研究中常见做法是：

• White / Breusch-Pagan 检验用于识别异方差
• 采用稳健标准误（Robust SE / HC 标准误）进行修正

(5）误差项分布近似正态

严格说 OLS 稳定运行不需要残差正态（所以很多论文并没有做这项检验），但模型中的显著性检验、置信区间、t值/F值推断都依赖此条件，在小样本场景尤为关键。

例如：

• 班级样本仅 45 人进行成绩回归 → 误差正态性显得非常关键。
• 全国大样本 10,000 人 → 中心极限定理可弱化对正态的依赖。

因此，在研究中，一般要做残差正态QQ图、Shapiro检验。

可以这么说：

回归能跑，并不代表推断有效。
残差越接近正态，统计推断越可信。

【三】英语学习案例映射五条假设

还是用我们上一讲的“英语学习函数，它的回归模型的前提是否满足我们刚才讲的几点。

假设我们研究 45 名大学生，X = 每天学习英语时长，Y = 英语成绩。

若满足五大假设：

• 线性：多花一些时间学习 ≈ 成绩平均上升（二者线性相关）
• 无系统偏差：班级整体不是特别特殊（如全是学霸或全是零基础就不成立）
• X 与误差独立：解释变量 X（学习时长）不能与误差项中的未观测因素（例如英语基础水平、天赋、学习能力）系统相关，否则有内生性问题
• 同方差：学得少的和学得多的人成绩波动都差不多
• 无自相关：互相不抄作业、不组团影响成绩

那么 OLS 就可以稳定估计出

“每增加 1 小时学习 → 成绩平均提升多少”

【四】小结

经典OLS假设看起来很多，但它们都围绕一个核心展开：

我们希望回归线反映的是真实规律，而不是噪声与偏误。