OLS 的渐近性质¶
无偏性、BLUE 是有限样本性质，且 \(t\)/\(F\) 的精确分布依赖正态性假设 MLR.6。本页讨论样本量 \(n\to\infty\) 时 OLS 的大样本（渐近）性质：即便误差不正态，只要 MLR.1–5 成立，OLS 仍一致且渐近正态，于是 \(t\)/\(F\) 检验在大样本下照常可用——这让我们能甩掉那条最强的正态性假设。
核心结论速览
| 性质 | 需要的假设 | 含义 |
|---|---|---|
| 一致性 | MLR.1–4（或更弱的 MLR.4′） | \(\hat\beta_j\xrightarrow{p}\beta_j\)：\(n\) 越大越集中于真值 |
| 不一致性 | \(x_j\) 与 \(u\) 相关 | \(\mathrm{plim}\,\hat\beta_j\neq\beta_j\)，渐近偏误不随 \(n\) 消失 |
| 渐近正态 | MLR.1–5（无需 MLR.6） | \(\hat\beta_j\) 近似正态，\(t\)/\(F\) 大样本下照常可用 |
| 渐近有效 | MLR.1–5（高斯–马尔可夫） | OLS 渐近方差最小（定理 5.3） |
| LM 检验 | 大样本 | \(LM=nR_u^2\sim\chi^2_q\)，只需估约束模型 |
一致性¶
定义（一致性）
随 \(n\) 增大，\(\hat\beta_j\) 的抽样分布越来越紧密地集中在 \(\beta_j\) 周围，极限处退化到一点：
称 \(\hat\beta_j\) 是 \(\beta_j\) 的一致估计量。无偏是"平均对"，一致是"样本够大就几乎一定对"——两者不同（有偏也可能一致，无偏也可能不一致）。
定理 5.1（OLS 的一致性）
在 MLR.1–MLR.4 下，OLS 估计量对所有 \(j\) 都一致。
事实上一致性只需更弱的假设：
- MLR.4 零条件均值：\(E(u\mid x_1,\dots,x_k)=0\)——解释变量的任意函数都与 \(u\) 无关；有限样本无偏性需要它。
- MLR.4′ 零均值零相关：\(E(u)=0\) 且 \(\mathrm{Cov}(x_j,u)=0\) 对所有 \(j\)——只要求每个 \(x_j\)（线性地）与 \(u\) 无关。一致性只需 MLR.4′。
易错点：相关即不一致
若误差与任何一个自变量相关（内生性），OLS 就既有偏又不一致——这是内生性最致命之处：加大样本量也救不回来。
MLR.4 与 MLR.4′ 的区别在于是否"正确设定了总体回归函数"：MLR.4 下 \(\beta_0+\beta_1x_1+\dots+\beta_kx_k\) 就是 PRF（条件均值）；只在 MLR.4′ 下，它未必是 PRF，但作为线性近似仍有用。
渐近偏误（不一致性的推导）¶
遗漏变量的渐近版本：真实模型含 \(x_1,x_2\)，却只回归 \(x_1\)，则
称右侧第二项为渐近偏误（inconsistency）。它与有限样本 OVB 公式 \(\beta_2\tilde\delta_1\) 完全平行，符号判断方法一致——区别只是这里用总体协方差，且偏误不随 \(n\) 消失。
渐近正态与大样本推断¶
精确推断的层级回顾：无偏需 MLR.1–4，BLUE 需 MLR.1–5，精确 \(t\)/\(F\) 需正态性 MLR.6。问题是 MLR.6 常不成立。好在：
定理 5.2（OLS 的渐近正态性）
在高斯–马尔可夫假设 MLR.1–MLR.5（不要求 MLR.6）下，适当标准化后的 OLS 估计量渐近服从正态分布，且 \(\hat\sigma^2\) 是 \(\sigma^2\) 的一致估计量。于是渐近 \(t\) 统计量、渐近置信区间照常构造，\(F\) 在大样本下近似服从 \(F\) 分布。
直觉与几个关键澄清：
- 来源是中心极限定理：OLS 估计量是样本均值的（复杂）函数，无论 \(u\) 的总体分布如何，标准化后都趋于正态；
- 常见错误：以为"样本量增大会让 \(u\) 的分布变得更正态"。总体分布是固定的，与 \(n\) 无关；变得正态的是 \(\hat\beta_j\) 的抽样分布，不是 \(u\) 本身；
- 对误差分布唯一的实质要求是有限方差；
- 仍需同方差 MLR.5：若 \(\mathrm{Var}(y\mid x)\) 非常数，无论 \(n\) 多大，通常的 \(t\) 统计量与置信区间都无效（需异方差稳健方法，见异方差性）。
拉格朗日乘数（LM）统计量¶
大样本下，检验 \(q\) 个排除性约束除了 \(F\)，还有只需估约束模型的 LM 检验（适合不受约束模型难估的场合）：
LM 检验步骤
检验最后 \(q\) 个变量系数是否全为零：
- 估约束模型（去掉那 \(q\) 个变量），保留残差 \(\tilde u\)；
- 把 \(\tilde u\) 对全部 \(k\) 个自变量做辅助回归，得该回归的 \(R_u^2\)；
- 计算 \(LM=n\,R_u^2\)，与 \(\chi^2_q\) 的临界值比较，\(LM>c\) 则拒绝。
直觉：若被排除变量确实无关，约束模型的残差不该被它们解释，辅助回归的 \(R_u^2\) 应接近 0；\(nR_u^2\) 偏大就说明遗漏了有用变量。\(F\) 与 LM 在大样本下结论通常一致。
渐近有效性¶
定理 5.3（OLS 的渐近有效性）
在高斯–马尔可夫假设 MLR.1–MLR.5 下，OLS 在所有一致的、误差线性组合形式的估计量中具有最小的渐近方差——即 OLS 不仅是有限样本的 BLUE，在大样本中也是渐近有效的。
关键仍在同方差 MLR.5：若误差异方差，OLS 不再渐近有效，加权最小二乘（WLS）等可能有更小的渐近方差（见异方差性）。
速查表¶
| 概念 | 关键式 / 要点 |
|---|---|
| 一致性 | \(\mathrm{plim}\,\hat\beta_j=\beta_j\)，只需 MLR.4′ |
| 渐近偏误 | \(\mathrm{plim}\,\tilde\beta_1=\beta_1+\beta_2\dfrac{\mathrm{Cov}(x_1,x_2)}{\mathrm{Var}(x_1)}\) |
| 渐近正态 | MLR.1–5 即可（定理 5.2），\(t\)/\(F\) 大样本下可用 |
| 渐近有效 | MLR.1–5 下 OLS 渐近方差最小（定理 5.3），异方差时被 WLS 超越 |
| LM 检验 | \(LM=nR_u^2\sim\chi^2_q\)（约束模型残差对全部自变量辅助回归） |
假设强度递进：MLR.1–4（无偏/一致）⊂ MLR.1–5（BLUE/渐近正态）⊂ MLR.1–6（CLM，精确 \(t\)/\(F\)）。
易错点与考点提醒：
高频陷阱
- 无偏 ≠ 一致：是两种不同的好性质，证明所需假设也不同；
- 内生性（\(x\) 与 \(u\) 相关）\(\Rightarrow\) 有偏且不一致，增样本无救；
- 大样本里别说"\(u\) 变正态了"——变正态的是抽样分布；
- 渐近推断仍离不开同方差；异方差要换稳健标准误；
- LM 用的是约束模型残差去做辅助回归，\(LM=nR_u^2\) 服从 \(\chi^2_q\)（自由度是约束个数 \(q\)，不是 \(k\)）。