实证分析中的代理变量：理论基础与应用案例
温馨提示：若页面不能正常显示数学公式和代码，请阅读原文获得更好的阅读体验。
New！搜推文，找资料，用
lianxh命令：
安装：ssc install lianxh, replace
使用：lianxh 合成控制lianxh DID + 多期, w
作者：连小白 (连享会)
邮箱：lianxhcn@163.com
- Title: 实证分析中的代理变量：理论基础与应用案例
- Keywords: 代理变量, 测量误差, 内生性, 实证研究
1. 简介
DSSSSL
我们可以用如下测量方程表示表述最为清晰：
Pit=πXit∗+uit,π≠0Pit=πXit∗+uit,π=0
其中，Xit∗Xit∗ 是不可观测的真实变量，PitPit 是可观测的代理变量，uituit 是测量误差。π≠0π=0 体现了代理变量的基本要求：PP必须与 X∗X∗ 存在稳定的相关性。
然而，代理变量的选择和使用并非简单的技术问题，而是涉及理论逻辑、统计推断和因果识别的复杂议题。不恰当的代理变量会导致估计偏误、推断失效，甚至得出错误的研究结论。
本文旨在系统阐述代理变量的理论基础、有效性条件，并通过经典文献的深入分析，揭示实证研究中代理变量使用的常见问题与应对策略。
2. 代理变量的理论基础
2.1 基本概念与测量方程
我们将无法被直接观测或难以被精确测量关键概念记为 X∗X∗。为了能够进行实证分析，我们会选取一个可观测变量 PP来近似刻画 X∗X∗，此时 PP称为代理变量。
PitPit 和 Xit∗Xit∗ 的关系通常使用如下测量方程表述：
Pit=πXit∗+uit,π≠0(1)Pit=πXit∗+uit,π=0(1)
其中，uituit 表示测量误差或与 Xit∗Xit∗ 无关的扰动成分。π≠0π=0 体现代理变量的基本要求：PP必须与 X∗X∗ 存在稳定相关性。
需要注意的是，测量误差 uituit 既可能是「纯噪声」，也可能与公司特征、披露选择、统计口径等系统性因素相关。这意味着，代理变量的使用可能引入非经典测量误差，导致估计偏误甚至内生性问题。因此，理解代理变量的统计后果和识别条件对于实证研究的有效性至关重要。
2.2 代理变量的作用机制
要理解代理变量的统计后果，需要把问题拆成三步：结构方程、测量方程、替代回归。
(1) 结构方程 (研究者真正关心的关系)
Yit=βXit∗+γ′Wit+εit(2)Yit=βXit∗+γ′Wit+εit(2)
其中，εitεit 是结构误差项，包含所有无法被 X∗X∗ 和 WW解释的冲击。
(2) 测量方程 (代理变量如何生成)
Pit=πXit∗+uit(3)Pit=πXit∗+uit(3)
(3) 替代回归 (实证中最常见的做法)
Yit=β~Pit+γ′Wit+eit(4)Yit=β~Pit+γ′Wit+eit(4)
关键在于：当用 PP替代 X∗X∗ 时，新的回归误差项 eiteit 会「包含」一部分测量误差 uituit，从而改变识别条件。
用代入法推导偏误来源
由测量方程 (3) 可得 Xit∗=(Pit−uit)/πXit∗=(Pit−uit)/π。代入结构方程 (2)：
Yit=βπPit+γ′Wit+(εit−βπuit)(5)Yit=πβPit+γ′Wit+(εit−πβuit)(5)
因此，替代回归 (4) 中的误差项满足：
eit=εit−βπuit(6)eit=εit−πβuit(6)
与此同时，解释变量 PitPit 本身也包含 uituit。于是 PitPit 与 eiteit 往往相关，OLS 偏误的根源就在这里：
Cov(Pit,eit)=π⋅Cov(Xit∗,εit)+Cov(uit,εit)−βπVar(uit)(7)Cov(Pit,eit)=π⋅Cov(Xit∗,εit)+Cov(uit,εit)−πβVar(uit)(7)
这条分解式非常实用，因为它把「代理变量问题」拆成三类来源：
第一项：π⋅Cov(Xit∗,εit)π⋅Cov(Xit∗,εit) —— 真实变量 X∗X∗ 与结构误差项 εε的相关性。如果真实模型满足外生性 (Cov(X∗,ε)=0Cov(X∗,ε)=0)，这一项为零。
第二项：Cov(uit,εit)Cov(uit,εit) —— 测量误差 uu与结构误差项 εε的相关性。这是非经典测量误差的来源。
第三项：−βπVar(uit)−πβVar(uit) —— 测量误差的方差。即使测量误差是经典的（与 εε不相关），这一项也会导致偏误。
2.3 何时只是「衰减偏差」，何时会出现内生性？
情形 A：经典测量误差 (classical measurement error)
如果 uituit 与 Xit∗Xit∗、WitWit、εitεit 都不相关，且均值为 0，则公式 (7) 简化为：
Cov(Pit,eit)=−βπVar(uit)(8)Cov(Pit,eit)=−πβVar(uit)(8)
此时，OLS 估计量的概率极限为：
plim β~=β⋅Var(X∗)Var(X∗)+Var(u)=β⋅λ(9)plimβ~=β⋅Var(X∗)+Var(u)Var(X∗)=β⋅λ(9)
其中，λλ是信度系数 (reliability ratio)：
λ=Var(X∗)Var(X∗)+Var(u)=Var(X∗)Var(P)λ=Var(X∗)+Var(u)Var(X∗)=Var(P)Var(X∗)
显然，λλ满足 0<λ<10<λ<1。这表明，测量误差的方差 Var(u)Var(u) 越大，信度系数越小，估计的衰减偏误越严重。β~β~ 与 ββ的系数符号一致，但会表现出衰减偏差：β~β~ 向 0 收缩。直观解释是 PP的信号被噪声稀释，当噪音占主导时，PP就无法有效反映 X∗X∗ 的变异，导致估计量的偏误和方差都很大。
情形 B：非经典测量误差引致的内生性 (endogeneity)
若 Cov(uit,εit)≠0Cov(uit,εit)=0，则 PP与 ee的相关性不仅来自 Var(u)Var(u)，还来自测量误差与结构冲击的共同决定因素。在实证分析中这很常见：披露质量、审计强度、规模、治理、行业景气等既影响 PP的测量误差，也影响 YY的未观测冲击。此时偏误方向不确定，不能用「衰减」概括。
情形 C：额外作用通道 (other mechanisms)
更一般地，若真实数据生成过程如下：
Yit=βXit∗+δZit+γ′Wit+εit(10)Yit=βXit∗+δZit+γ′Wit+εit(10)
而 PP同时反映 X∗X∗ 与 ZZ的变动（例如 P=πX∗+ρZ+uP=πX∗+ρZ+u），则用 PP作为 X∗X∗ 的代理变量参与回归会把 X∗X∗ 的作用与 ZZ的作用混合在一起。此时即便测量误差很小，系数解释也可能偏离研究者的预期。
结论是：代理变量带来的问题不仅是「测量不精确」，更重要的是「系数含义是否唯一」。这也是审稿中最常被追问的点。
温馨提示：若页面不能正常显示数学公式和代码，请阅读原文获得更好的阅读体验。