统计学基础

本章核心问题：数据里有事实，也有噪声——怎样描述才不失真？观察到的关系什么时候能当真（而不是随机的巧合）？回归系数显著，就等于因果关系成立了吗？

本章脉络

统计学的两条源流在 19 世纪交汇。一条是误差与估计：勒让德 1805 年发表最小二乘法，高斯 (1777-1855) 随即给出正态误差理论与最优估计——「平均掉误差、逼近真值」的数理传统；另一条是社会数据：凯特勒 (1796-1874) 把正态曲线用于人的身高与犯罪率（「平均人」概念），高尔顿 (1822-1911) 研究亲子身高时发现「向均值回归」并发明相关系数，皮尔逊 (1857-1936) 把相关与卡方检验系统化。20 世纪费希尔 (1890-1962) 在农业实验中建立假设检验、方差分析与显著性传统，奈曼 (1894-1981) 与皮尔逊补上备择假设与两类错误——今日教科书的推断框架在 1930 年代已定型。

经济学的接收比想象的晚：直到 1930 年代，丁伯根 (1903-1994) 与弗里希 (1895-1973) 才把统计方法系统用于经济理论检验（两人共享首届 1969 年诺贝尔经济学奖，「计量经济学」由弗里希命名）；哈维尔莫 (1911-1999) 1944 年的博士论文把概率论确立为经济计量的基础（识别问题、随机扰动进入结构方程），获 1989 年诺贝尔奖。从此，经济学完成了从「图与例」到「模型与检验」的转身——今天任何一篇实证论文，骨架都是本章：描述 → 推断 → 回归。

本章路线：描述统计（数据类型、集中趋势、离散程度、图形）；推断统计（估计、假设检验、两类错误、常见检验）；回归分析（简单与多元线性回归、最小二乘）；最后正面回答经济学最锋利的问题——显著与因果的距离。

核心概念

数据类型与描述统计

定性数据描述类别（性别、行业），定量数据描述数量（收入、产量）。集中趋势：均值 $\bar{x} = \frac{1}{n}\sum_{i=1}^n x_i$、中位数（升序排列的中间值，偶数个时取中间两值平均）、众数（出现最多）。离散程度：方差与标准差（$\mathrm{SD}(X) = \sqrt{\mathrm{Var}(X)}$）、极差 $\max - \min$。图形：直方图（分区间画频数）、箱线图（中位数、四分位 Q1/Q3、极值与异常点）。

为什么均值与中位数必须成对看？因为收入这类长尾分布里，均值被右尾拉高、中位数稳在中间——「平均工资上涨而多数人没涨」的舆论争论，本质是两个汇总指标的分歧被当成事实之争。汇报规范由此而来：偏态数据报中位数（或同时报），并附离散程度；只报均值的新闻，等于把分布压扁成一个点。方差的总体与样本两式之分（$\frac{1}{n}$ 与 $\frac{1}{n-1}$）也别当成玄学：$\frac{1}{n-1}$（贝塞尔校正）补偿了「用样本均值代替总体均值」损失的那一个自由度，使估计无偏——自由度的账本在第 12 章约束优化里还会再见到。

估计与假设检验

点估计用样本统计量估计总体参数（样本均值估总体均值）；区间估计给出以指定置信水平覆盖参数的区间（置信区间）。假设检验：原假设 $H_0$（数据与假设模型一致）对备择假设 $H_1$；p 值是「在 $H_0$ 为真时，得到观测或更极端数据的概率」，小于显著性水平（惯例 0.05）则拒绝 $H_0$。两类错误：第一类（真 $H_0$ 被拒，误报）与第二类（假 $H_0$ 未拒，漏报）。

为什么 p 值是「最常被误读的数字」？三条戒律：p 值不是「$H_0$ 为真的概率」（贝叶斯后验才是）；「不显著」不是「无差异」（可能是功效不足，即第二类错误）；p < 0.05 不是「发现真理」，而是「值得追查」的门槛。经济学实证的放大版教训是多重检验问题：一次研究测 20 个变量，纯碰运气也会「显著」一个（$1 - 0.95^{20} \approx 64\%$）——由此滋生 p-hacking 与复现危机（2010 年代经济学大规模复现实验后，顶级期刊普遍要求预注册与多重度校正，如 Romano-Wolf 检验）。常见检验清单：t 检验（均值差异，单样本/独立/配对）、卡方检验（分类分布拟合）、方差分析 ANOVA（三组以上均值比较）——它们共享同一逻辑：统计量在 $H_0$ 下的分布已知，极端即拒绝。

简单与多元线性回归

模型 $Y = \beta_0 + \beta_1 X + \epsilon$（$\epsilon$ 误差项），最小二乘法通过最小化残差平方和估计 $\beta_0, \beta_1$；多元版 $Y = \beta_0 + \beta_1 X_1 + \cdots + \beta_p X_p + \epsilon$。用途：预测与变量关系识别。

为什么回归是实证经济学的「主武器」？因为它同时干三件事：度量（一个边际效应——$X$ 变一单位 $Y$ 变多少，第 4 章导数的经验版）、控制（多元回归里 $\beta_1$ 是「其他变量不变时」的效应——ceteris paribus 的可计算实现）、预测（把拟合面外推）。但它的边界同样要刻在脑门上：回归系数是条件相关，不是因果——教育年限对收入的系数混着「能力」这个漏进来的混淆变量；识别因果要靠随机实验（RCT——2019 年诺贝尔奖的领域）或准实验设计（工具变量、断点回归、双重差分——2021 年诺贝尔奖的领域）。「显著」回答的是「关系是否像噪声」，「因果」回答的是「干预 X 会不会改变 Y」——两个问题之间的鸿沟，正是当代实证方法论文献的全部主题。

问题与分析

观察到的关系什么时候能当真？

四道关卡依次过：其一，统计显著性——系数的标准误下 t 值够大、p 值过线（否则连「相关」都立不住）；其二，经济显著性——系数的量级有意义（「教育每多一年收入多 0.0001%」即便显著也无关痛痒），量级要用业务单位解读；其三，稳健性——换样本、换设定、加控制变量，结论是否还在（只在一个设定下显著的系数多半是运气）；其四，识别——混淆变量、反向因果、选择偏差是否被处理。安格里斯特与因本斯（2021 年诺贝尔奖）的方法论革命可以概括为：把第四关从「恳求审稿人相信」变成「可复制的设计」。四关卡之外的诚实一课：真实研究里四关全过的结论也会因数据更新而修正——「当真」是暂时的、有置信度的当真。

幸存者偏差如何扭曲经济数据？

只统计「存活到抽样时刻」的个体，分母就漏掉了中途退出的——共同基金收益（失败的基金清盘消失，行业平均收益被系统性高估，学界估计每年约 0.5—1 个百分点量级，具体读数以最新研究为准）、二战返航飞机的弹孔分析（沃德教授：该加固的是没有弹孔的部位——中弹于要害的飞机根本没回来）、创业成功率研究（只数活下来的独角兽）。处理办法：以「进入样本时刻」为起点跟踪（entry cohort），让退出可见；或用 Heckman 两步法（1979）显式建模选择方程——它本身就是「为偏差付费」的回归技术。凡数据以「现状存量」而非「历史流量」登记（企业、贷款、婚姻、App 用户），先问一句：死掉的去哪了。

推导与例题

例 1：最小二乘的斜率公式与解读

简单回归的斜率估计：

$$\hat{\beta}_1 = \frac{\sum_i (x_i - \bar{x})(y_i - \bar{y})}{\sum_i (x_i - \bar{x})^2} = \frac{\mathrm{Cov}(x, y)}{\mathrm{Var}(x)}$$

它把「斜率」拆成两块：协方差（共动程度）除以自变量方差（标准化）。数值例：某地 10 个社区的通勤时间与幸福度调查（模拟数据），$\mathrm{Cov} = -2.4$，$\mathrm{Var}(x) = 1.2$，则 $\hat{\beta}_1 = -2$——通勤每多一小时，幸福度得分平均低 2 分（其他条件不变）。注意解读的三要件：单位（「分/小时」）、条件（「其他变量不变」）、方向（负号）。 $\hat\beta_0 = \bar{y} - \hat\beta_1\bar{x}$ 给出截距。分母 $\sum(x_i-\bar x)^2$ 大（自变量变异充分）则估计更稳——「解释变量的变异是识别的燃料」，这句话在后面工具变量一课里会变成字面真理。

例 2：一次完整的 t 检验

政策评估：培训项目后处理组 25 人平均时薪 32 元、标准差 6 元；对照组 25 人 29 元、标准差 5 元。检验 $H_0: \mu_1 = \mu_2$。合并标准误：

$$SE = \sqrt{\frac{s_1^2}{n_1} + \frac{s_2^2}{n_2}} = \sqrt{\frac{36}{25} + \frac{25}{25}} = \sqrt{2.44} \approx 1.56$$

$t = \frac{32 - 29}{1.56} \approx 1.92$，自由度 $\approx 48$，临界值（0.05 双侧）$\approx 2.01$——$|t| = 1.92 < 2.01$，不拒绝 $H_0$：差异在常规显著性水平下立不住。但经济显著性提醒：3 元/小时（约 10%）的差距不小，更可能是样本太小（功效不足，第二类错误风险高）而非「无效应」——扩样本或换更强设计（随机分配）是正确的下一步，而不是宣布「培训无用」。这个例子的全部教益：检验「不显著」时，先算功效再下结论。

局限与后续

其一，正态与独立的假设常被违反：经济数据厚尾、相关、有结构突变，稳健标准误（White/HAC）、聚类标准误、自助法（bootstrap）是当代回归表的标配——「星号」的可信度取决于标准误算得对不对。其二，预测与因果的分家：机器学习方法（正则化、随机森林、深度网络）在纯预测任务上碾压线性回归并已进入经济学（替代变量的构造、异质性效应的发现），但因果解释仍靠设计而非算法——Athey 与 Imbens 的因果机器学习是这条融合线的代表。其三，大数据不自动等于好数据：选择进入样本的机制（谁用 App、谁上网评分）制造新型偏差，数字足迹的代表性问题（以最新研究为准）是测量经济学的当务之急。其四，从相关到结构：结构计量（把模型估计出来再做反事实模拟）、实验经济学（实验室与田野实验）与自然实验识别，构成了「推断因果」的三条大道——本章的最小二乘是它们共同的出发点与对照物。