数据范儿_范老师-AI时代科研统计新范式-计量科研AI导航

一、开篇：两个毫无关系的变量——一个 R² = 0.95，t 值 = 15.3

Granger 和 Newbold 在 1974 年做了一个著名的模拟实验。他们生成了两个完全独立的随机游走过程：

$Y_t = Y_{t-1} + u_t, \quad X_t = X_{t-1} + v_t$

其中 $u_t$ 和 $v_t$ 是独立的标准正态随机数。Y 和 X 之间没有任何关系——一个是纯粹随机生成的，另一个也是。数据生成过程没有为它们设计任何关联。

然后他们用 Y 对 X 做回归。按道理，β̂ 应该约等于 0，R² 应该约等于 0，t 值应该不显著。

但实际结果是：在 100 次重复模拟中，有 78 次回归得到了 p < 0.05 的"显著"结果。R² 经常超过 0.7，DW 统计量经常低于 0.5。

两个完全独立、毫无关系的变量——只因为它们都"在时间上持续"（今天的值和昨天的值高度相关）——就被 OLS 判定为"显著相关"。这就是伪回归（Spurious Regression）。

核心信息：伪回归发生在两个（或多个）非平稳时间序列被直接放进 OLS 回归时——因为它们各自都有一个随时间累积的"漂移"（随机游走或带趋势），它们之间可能呈现出看似高度显著、但实际上完全是虚假的相关性。经典迹象是"三高两低"——R² 很高、t 值很高、F 值很高，但 DW 统计量很低、系数通常不具备合理的量级。伪回归的后果是你把两个毫不相关的变量当成了"显著相关"——你的论文结论建立在一个统计幻觉之上。避免的核心方法是：在回归之前检验变量是否平稳（单位根检验）→ 如果不平稳，做差分使其平稳，或检验它们之间是否存在协整关系（长期均衡关系）。

二、伪回归到底是什么？——不是"你没控制变量"，是"数据在骗你"

2.1 伪回归 ≠ 遗漏变量偏误

遗漏变量偏误是你少放了该放的变量——这是模型设定的问题。伪回归是你把所有变量都放对了——但因为这些变量的时间序列性质（非平稳），OLS 的标准推断变得不可靠。

在伪回归中，即使你不遗漏任何变量、即使 Cov(X, ε) = 0 成立、即使样本量趋于无穷——你的 t 检验仍然会错误地拒绝"β = 0"的原假设。 这不是小样本问题——它在渐近意义上也是错的。

2.2 为什么非平稳序列会产生伪回归？——一个简化直觉

考虑两个独立的随机游走：

$Y_t = Y_{t-1} + u_t, \quad X_t = X_{t-1} + v_t$

Y 在 t 期的值是所有过去冲击 $u_1, u_2, \dots, u_t$ 的累积。X 也是它自己过去冲击的累积。这两个累积过程各自随机地在时间中"漂移"。

如果 Y 在过去几期累积了好几个正的 $u$ ，Y 会呈现出一个"上升趋势"——尽管根本没有任何确定性趋势在驱动它。
如果 X 恰好也累积了几个正的 $v$ ，X 也会呈现出一个上升趋势。

两个都在上升——OLS 看到两个上升的序列，就以为它们之间有正相关。但 Y 的上升来自 $u$ 的累积，X 的上升来自 $v$ 的累积——这两组冲击是完全独立的。这就是伪回归的实质：OLS 将两个独立累积过程的"各自趋势"误读为"彼此相关"。

2.3 伪回归的正式原因——方差随时间发散

在非平稳序列中，变量的方差随时间 t 增长而发散（ $\text{Var}(Y_t) \to \infty$ 当 $t \to \infty$ ）。这意味着 OLS 的渐近理论不再适用——标准的大数定律和中心极限定理假设了方差是有限的。当方差无限时，t 统计量不再收敛到 t 分布——它发散到无穷大，意味着即使 β = 0，你也越来越可能拒绝 H₀。

三、什么情况下容易出现伪回归？

3.1 情况一：两个都是随机游走（I(1) 过程）——最经典的情形

任何一个可以被写为 $X_t = X_{t-1} + \varepsilon_t$ 的序列都是一个随机游走——它是非平稳的（具体来说，I(1)——一阶单整）。

股票价格、汇率、GDP 水平值、CPI 水平值——这些通常都是 I(1) 过程。
两个 I(1) 变量被放在同一个回归中，即使它们完全独立，也有很高的概率产生伪显著。

这是伪回归最常见、也最危险的场景——因为经济学中的许多变量天然就是 I(1) 的。

3.2 情况二：两个都带有确定性的时间趋势

即使变量是平稳的（I(0)），如果它们都包含一个确定性的时间趋势（如 $X_t = \alpha + \delta t + \varepsilon_t$ ），两个趋势之间的相关也可能产生伪回归。

解决方法：在回归中加入线性时间趋势 t——趋势被部分化出去后，两个平稳的残差之间才被拿来相关。这比 I(1) 的情况容易处理得多。

3.3 情况三：一个 I(1) + 一个 I(0）——混合非平稳

用 I(1) 的 Y 对 I(0) 的 X 做回归也是无效的——一个非平稳变量和一个平稳变量之间的回归不具有标准的渐近性质。不过这种组合不太常见——通常如果 Y 是 I(1)，研究者会自然地关注同样是 I(1) 的 X。

3.4 情况四：长面板（大 T）宏观面板数据

在微观面板中（大 N，小 T），T 通常只有 3—10 期——即使变量是非平稳的，T 太短，非平稳性来不及对推断产生严重的扭曲（单位根检验在短 T 中也缺乏功效）。伪回归在微观面板中不是一个首要问题。

但在宏观面板中（如跨国面板 T = 50—60 年），T 足够长，非平稳性的问题会浮出水面。 这时候，传统的面板固定效应估计可能受到伪回归的困扰——你需要在回归之前对每个国家的变量做面板单位根检验（如 IPS 检验、LLC 检验）。

四、伪回归出现后有什么迹象？——"三高两低"的经典指纹

4.1 R² 异常高——但 DW 异常低

Granger 和 Newbold 发现，伪回归的典型指纹是：

R² 很高（经常 > 0.7，甚至 > 0.9）——因为两个序列各自的时间持续性被误认为彼此之间的相关。
DW（Durbin-Watson）统计量很低（经常 < 0.5，甚至 < 0.2）——因为残差也是非平稳的（如果两个 I(1) 序列之间没有协整关系，它们的线性组合仍然是 I(1) 的）。残差的强持续性（今天的残差和昨天的残差高度相关）导致 DW → 0。

如果你的回归 R² > DW（即 $R^2$ 远大于 DW 统计量），这是伪回归的经典警报。

Granger 和 Newbold 提出了一个经验法则：如果 $R^2 > DW$ ，你应该认真怀疑伪回归的可能性。

4.2 t 值和 F 值异常高——"看起来"太显著了

两个完全独立的变量，t 统计量本应服从 t 分布。但在伪回归中，t 统计量的绝对值远大于 2 的概率远高于 5%——它发散到无穷大。所以你几乎总是能得到"高度显著"的系数——但这种"显著"是虚假的。

4.3 系数的量级和符号没有经济含义的合理性

伪回归给出的系数可能：

量级大得不合理（"GDP 增加 1 元，股票指数涨 500 点"）
符号和任何经济理论都对不上
在不同的子样本中符号反转（前 20 年正相关，后 20 年负相关——序列的"漂移方向"恰好变了）

系数的"不合理"是一个软性但重要的信号——如果 β̂ 的量级或符号让你皱眉头，先别急着写"这是本文的一个新发现"——先做单位根检验。

五、如何避免伪回归？——从检验到处理的完整路径

5.1 第一步：检验变量的平稳性——单位根检验

在回归之前，对每个时间序列变量做单位根检验。最常用的检验是 ADF 检验（Augmented Dickey-Fuller Test）。

H₀: 存在单位根（即变量是非平稳的 I(1) 过程）。H₁: 变量是平稳的。

dfuller y, lags(4)       // ADF 检验
dfuller y, trend lags(4) // 包含确定性趋势的 ADF

p > 0.05 → 不能拒绝单位根 → 变量可能是 I(1) → 需要谨慎对待。
p < 0.05 → 拒绝单位根 → 变量是平稳的（I(0)）→ 伪回归风险较低。

ADF 检验的局限：功效不高，尤其在 T 较小或序列接近单位根但略微平稳时，很容易错误地不拒绝 H₀（第 II 类错误率高）。在实际操作中，如果 ADF 显示"不能拒绝单位根"，而你的 T 又不够大——通常将变量视为 I(1) 并以差分形式使用，是更安全的策略。

面板单位根检验（用于宏观面板）：

* IPS 检验（允许不同个体有不同的自回归系数）
ipshin y, lags(2)
 
* LLC 检验（假设所有个体有相同的自回归系数）
levinlin y, lags(2)

5.2 第二步：如果变量都是 I(1) → 两种路径

路径 A（简单安全）：对变量做一阶差分——将 I(1) 变量转化为 I(0) 变量。

$\Delta Y_t = \beta_0 + \beta_1 \Delta X_t + \varepsilon_t$

差分后， $\Delta Y_t$ 和 $\Delta X_t$ 都是平稳的（假设原序列是 I(1)）。伪回归的风险被消除了。代价：系数解读变了——β₁ 现在是"X 的变化量对 Y 的变化量的影响"——不是水平值的长期关系，而是差分值的短期关系。如果你关心的恰好是短期动态——这正是你需要的。但如果你关心的是长期均衡关系——差分模型无法提供。

路径 B（长期关系）：检验协整——两个 I(1) 变量之间是否存在一个平稳的线性组合。

如果 Y 和 X 都是 I(1)，但存在一个 β 使得 $Y_t - \beta X_t$ 是 I(0)（平稳的）→ Y 和 X 之间存在协整关系——即它们虽然各自在漂移，但它们之间的"差距"是平稳的，长期来看会回到均衡。

Engle-Granger 两步法：先做 OLS（即使可能是伪回归），然后对残差做 ADF 检验。如果残差是平稳的 → 协整存在 → 原始 OLS 是"超一致"的（superconsistent，系数估计以比通常更快的速度收敛到真实值）。
Johansen 检验：更通用的多变量协整检验（允许多个协整向量）。

* Engle-Granger
reg y x
predict e, residual
dfuller e, lags(4)    // 检验残差是否平稳（注意：临界值和标准 ADF 不同！）
 
* Johansen
vecrank y x, lags(4)  // 确定协整秩

如果存在协整关系——原始的水平值回归不是伪回归。 两个非平稳序列之间存在一个真实的长期均衡关系，OLS 可以一致地估计这个均衡关系（实际上，OLS 在协整系统中是超一致的——它的收敛速度比通常的 $\sqrt{T}$ 更快）。

如果不存在协整关系——水平值回归就是伪回归。 你必须使用差分模型。

5.3 第三步：在实证论文中的标准报告

报告所有时间序列变量的 ADF 检验结果（含滞后阶数选择和是否包含趋势项）。
如果变量是 I(1) → 报告协整检验结果（Engle-Granger 或 Johansen）。
如果存在协整 → 基准回归使用水平值（“长期均衡关系”）；在稳健性中报告差分模型（短期动态）。
如果不存在协整 → 基准回归使用差分（或报告误差修正模型 ECM）。

六、伪回归和面板数据——宏观面板需要警惕，微观面板通常不必

6.1 微观面板（大 N，小 T）：伪回归通常不是问题

T = 3—10 时，即使变量是 I(1)，非平稳性对推断的扭曲在有限样本中也比较有限——单位根检验在短 T 中缺乏功效，伪回归的严重性也远不如长 T 的情形。在典型的微观面板实证中（N > 1000, T < 10），伪回归不是你首先需要担心的问题。

6.2 宏观面板（大 N，大 T）：长面板的伪回归风险真实存在

当 T 达到 30—60（如跨国面板、中国省级面板 1978—2020）时，伪回归的问题开始浮现。此时应在论文中：

对关键变量做面板单位根检验（IPS、LLC）
如果变量是 I(1) → 做面板协整检验（Pedroni、Westerlund）
报告差分 GMM 或系统 GMM 的结果作为稳健性

* 面板协整（Pedroni）
xtcointtest pedroni y x, trend
 
* 面板协整（Westerlund, 允许异质面板和截面相关）
xtcointtest westerlund y x

七、常见误区

7.1 误区一：R² 高 + t 显著 = 回归成功

伪回归的核心教训就是——R² 高和 t 显著不意味着回归成功了。 在非平稳数据中，高 R² 和高 t 值恰恰是伪回归的典型指纹，而不是模型良好的证据。"R² > DW"这个经验法则值得你在每次跑完时间序列回归之后检查一遍。

7.2 误区二：做了差分就万事大吉——丢失了长期信息

差分解法了伪回归问题——但代价是你从"水平值的关系"转向了"变化量的关系"。如果理论关心的是 X 和 Y 之间的长期均衡（如"GDP 和消费的长期比例"），差分模型无法回答这个问题。在差分之前，先检验协整——也许你不需要差分，因为你有一个真实的长期关系可以估计。

7.3 误区三："我的数据不是时间序列——是面板，所以不会伪回归"

面板数据中的时间维度 T 如果足够长（宏观面板），伪回归同样会发生。而且固定效应模型不能解决伪回归问题——固定效应只去除了个体层面不随时间变化的均值，但变量的非平稳性（I(1) 性质）在经过组内变换后可能仍然存在。

八、总结

伪回归的五条核心知识：

伪回归的实质：两个独立的非平稳过程，各自随机漂移——OLS 把它们各自漂移的巧合解读为彼此关联。这不是模型设定问题——这是数据的时间序列结构骗了 OLS 的推断框架。
最容易发生的场景：两个都是 I(1) 过程（随机游走），且没有协整关系。GDP、股价、汇率、消费水平值——这些常见的宏观经济变量几乎都是 I(1) 的。
经典指纹——"R² > DW"：高 R²、高 t 值、低 DW 统计量是伪回归的三重警报。如果你的回归 R² 远大于 DW——在激动之前，先做单位根检验。
避免的核心路径：检验平稳性（ADF）→ 如果不平稳 → 差分（短期变化关系）或检验协整（长期均衡关系）。存在协整 → 水平值回归是有效的（且是超一致的）。不存在协整 → 水平值回归是伪回归，必须差分。
微观面板（大 N 小 T）通常不必担心伪回归——宏观面板（大 N 大 T）需要。 T 的长度决定了非平稳性能否"来得及"对推断产生实质扭曲。

一句话收尾：

"伪回归是时间序列数据给你设下的最阴险的陷阱——它给你一个漂亮的 R²、一个三颗星的 t 值、和一个在直觉上似乎合理但在数据生成过程上完全不存在的相关。它不是你的模型设定错了——是你的变量在时间中各自漫步，恰好在样本期间走向了相似的方向。避免它的方法只有一条：在你跑回归之前，先问你的变量——'你是静止的，还是在漂泊的？'如果它们都在漂泊，你要么让它们停下来（差分），要么证明它们虽然在漂泊，但漂泊的方向被一根看不见的绳子拴在一起（协整）。"

九、B站/公众号呈现建议

B站视频：建议用"两个醉酒的人"作为贯穿全篇的叙事隐喻。开场：两个醉酒的人——一个叫"GDP"，一个叫"股票指数"。他们各自从原点出发，漫无目的地随机漫步。没有任何人引导他们走向同一个方向——但纯属巧合，在午夜 12 点（样本期末），两人恰好都走到了街区的右上角。一个研究者（OLS）站在路灯下，看到了两人在终点的位置，兴奋地宣布："这两个人的行走路径高度显著相关——R² = 0.95！"旁白："他们只是各醉各的，但你只看到了他们的起点和终点——你在时间中截取了足够的长度，让他们的随机漂移在终点处造成了一个'相关性'的幻觉。"第一幕"伪回归的指纹"：屏幕弹出回归输出表——R² = 0.93、t = 12.5、DW = 0.23。三个数字依次闪烁——R² 高（绿色→变红）、t 高（绿色→变红）、DW 极低（红色）。一个大字标题压上——"R² > DW——伪回归的经典指纹"。第二幕"为什么会发生"：两组冲击的动画—— $u_t$ 和 $v_t$ 各自独立生成，但它们累积到 $Y_t$ 和 $X_t$ 后，两者在样本期间恰好呈现了相似的方向。面板中—— $Y_t$ 和 $X_t$ 都在向上走，但不是因为它们之间有关系——是因为它们各自的冲击在累积中产生了相似的漂移。旁白："Y 的上升来自它自己的冲击累积——X 的上升也来自它自己的冲击累积。两波冲击完全独立，但累积后的路径，在有限样本中，很容易看起来相关。"第三幕"怎么避免"：三步路径——步一：ADF 检验（画面：一个检查站，变量通过时被贴上"平稳 I(0)"绿色标签或"非平稳 I(1)"红色标签）。步二：差分（画面：I(1) 变量进入一台"差分机"——出来的是 ΔY 和 ΔX，标签变成绿色 I(0)，标注"短期变化关系"）。步三：协整检验（画面：两个 I(1) 变量之间出现一根弹力绳——它们在漂流，但被绳子拴在一起，绳子的长度（线性组合）是平稳的。旁边标注"长期均衡关系——这不是伪回归"）。
公众号：伪回归的"三高两低"指纹（R² 高、t 高、F 高、DW 低、系数量级不合理）建议做成诊断卡。ADF 检验 → 差分 vs 协整的决策路径做成流程图信息图核心。I(0) vs I(1) vs 协整的三种情况（两条水平线 vs 两条随机游走 vs 两条被拴住的随机游走）各配一个图示。Granger-Newbold 的 $R^2 > DW$ 经验法则做成亮点框。Engle-Granger 两步法（OLS 残差 + ADF）做成步骤卡片。微观面板 vs 宏观面板的伪回归风险对比做成一目了然的对照表。
推荐标题：
- 主标题：《伪回归是什么？——当两个毫无关系的变量被 OLS 判定为"显著相关"》
- 备选标题：《R² = 0.95, t = 15.3——这不是一篇好论文，这是一个伪回归》
- 新媒体标题：《两个独立随机游走的"完美相关"——伪回归是如何骗过你的显著性检验的》
金句提炼：

"伪回归不是你的模型错了——是你的变量都在时间中漂泊，而 OLS 把它们的漂泊路径解读成了彼此追随。两个醉酒的人各走各的，但如果你只看他们起点和终点的位置——你会以为他们结伴同行。"

"R² > DW——这是 Granger 和 Newbold 留下的最精炼的伪回归诊断法则。高 R² 告诉你'这两个变量高度相关'；低 DW 告诉你'残差还在漂移——它们的关系并不平稳'。两个矛盾的信息同在——这就是伪回归的指纹。"

"差分让漂泊的变量停下来——你不再问'GDP 水平和股票指数的关系'，而是问'GDP 的变化和股票指数的变化之间的关系'。代价是丢失了长期信息。协整让你保留水平值——前提是你能证明，虽然两个变量都在漂泊，但它们的漂泊被一根看不见的长期均衡绳子拴在一起。"

"在时间序列中，你不应该信任任何一个没有经过单位根检验的回归——就像你不会信任一个你不知道是否醉酒的司机的驾驶。平稳的变量是清醒的——它们围绕着均值波动。非平稳的变量是醉酒的——它们可以漂泊到任何地方，包括恰好和一个同样醉酒的变量漂向同一个方向。"