外生变量 vs. 内生变量：关键差异与示例

假设您想知道延长受教育时间是否真的会提高收入。您做了一次回归，发现教育的系数为正，于是感觉不错。接着有人指出，更聪明、更有动力的人无论受教育多少，往往既会追求更多教育也会赚得更多。您的估计同样在捕捉能力而不仅是教育。这就是内生性，而它是回归结果最常见的误导来源之一。

区分外生与内生变量正是这一问题的核心。分错了，您的系数含义就不是您以为的那样；分对了，您才有可能提出可信的因果主张。本文将讲解定义、关键差异、内生性的主要来源，以及常见的应对方法。坦白说：多数材料在讲“方法”时会变得含糊。我尽量避免在这里这么做。

什么是外生变量与内生变量？

这两个词源自希腊语：exo（外部）与endo（内部）。外生变量由被建模系统之外决定。它会影响结果，但不受模型中其他变量的影响。内生变量由系统本身所塑造，意味着它与其他变量纠缠在一起，会形成反馈回路或隐含依赖。

在回归中，这一区分有精确的统计含义。若某变量与模型的误差项不相关，则它是外生的；若与误差项相关，则它是内生的，也就是残差中的某些因素也在推动您的自变量。

外生变量

外生变量位于反馈回路之外。把每日降雨量想象成农业产出的驱动因素：农民的种植决策不会影响天气。降雨影响产量，但产量并不会反过来改变降雨。从回归角度看，这意味着自变量与误差项零相关，即统计学上写作 Cov(X, ε) = 0。正是这“零协方差”条件保证了 OLS 估计不偏。当其成立时，X 的系数能够干净地刻画 X 与结果之间的关系，而不受遗漏因素的污染。

内生变量

内生变量与误差项纠缠在一起。回到教育的例子：收入受能力、动机、家庭背景等诸多因素影响，而这些因素也会影响受教育年限。这些未观测因素进入误差项 ε。由于教育与 ε 相关，于是出现内生性：Cov(X, ε) ≠ 0。

“外生”“内生”的精确定义会随建模语境略有变化。在结构方程模型中，变量按是否为系统的产出分类；在计量经济学中，重点在其与误差项的关系。两种框架抓住的是同一基本思想。

外生变量 vs. 内生变量：关键差异

下表概括了核心对比。后文将进一步展开细节。

外生与内生变量的示例

抽象定义有其局限。以下三个场景展示外生/内生分类的实际作用。

教育与收入

这是经典示例且理由充分。您想估计增加一年受教育时间对工资的因果效应。问题在于：能力更强的人往往受教育更久也赚得更多。能力不在您的模型里，它在误差项中。因此教育与误差项相关，受教育的系数被能力溢价悄然抬高。

在这里将教育当作外生是一个错误。它是内生的，部分由您无法控制的未观测因素决定。

价格与需求

在标准供需市场中，价格与数量是同时决定的。若您将需求量对价格做回归，您并未识别出需求曲线，而是在描绘一个随供给与需求冲击共同变化的均衡。价格并非独立于需求而定，它会对需求作出反应。因此当结果变量是数量时，价格是内生的，反之亦然。

正因这种同时性问题，经济学家在这些方法于其他领域流行之前，就已对自然实验与工具变量产生兴趣。

天气与农业产出

降雨量是教科书中的外生变量。农民决定种多少小麦并不会改变明天的降水。降雨影响产出，但产出不会反过来影响降雨。这种单向影响，再加上一个合理假设——天气与未观测的农场层面生产率冲击不相关——使其成为一个可信的外生预测变量。

话虽如此，没有哪个变量是天生外生或内生的。分类取决于模型及其假设。若您把区域长期气候与农业土地利用放在一起建模，“天气”可能就不再那么独立了。

为什么内生性会成为回归中的问题

技术问题很直接。OLS 假定解释变量与误差项不相关。当该假设不成立时，估计量会吸收本应属于遗漏因素的变异，而非目标变量的变异，从而产生有偏且不一致的估计。即便样本再大，OLS 也会收敛到一个错误的数值，这并非抽样误差，而是因为它在解错题。

解释上的伤害会迅速放大。有偏系数会导致误导性的结论、错误的预测与糟糕的政策。若因遗漏能力而高估教育对收入的回报，您可能会相对于例如幼儿早期干预而过度资助教育项目。统计问题很快就会变成实际问题。

形式上，外生性要求 E(ε | X) = 0，或至少 Cov(X, ε) = 0。当该条件不成立时，OLS 估计量 β̂ 依概率收敛到 β + (E[X′X])⁻¹E[X′ε] 而非 β。后项就是偏差，且不会随着样本增大而消失。

内生性的成因有哪些？

机制不止一种，明确所处情形有助于选择恰当的应对策略。

遗漏变量偏差

这是最常见的元凶。当一个相关变量被遗漏时，其影响会被吸收到误差项中。若该遗漏变量又与某个自变量相关，就会产生内生性。教育-能力的故事就是典型：能力本应出现在工资方程中，但我们难以干净地测量它，于是它留在 ε 中。由于能力与教育相关，教育系数就会吸收部分能力溢价。

同时性

当两个变量相互决定时会出现同时性：如竞争市场中的价格与数量、警力投入与犯罪率、广告支出与销售额。二者互为因果，因此都不能视为外生。同时性的标志是：您需要方程组来描述数据生成过程，单方程回归无法理清“谁导致了谁”。

测量误差

当自变量存在测量误差时，即便真实潜在变量本不内生，它也会变得内生。测量误差同时进入自变量与残差，从而使二者相关。经典例子：自报收入。人们会记错、四舍五入或故意瞒报，而申报值与真实值的差异会与您用作回归自变量的数值相关。

选择性与其他来源

有必要单独指出选择性偏差。若进入样本的个体取决于结果变量，或取决于与自变量相关的因素，那您面对的是总体的非随机切片。经典版本是 Heckman 选择模型：只研究已就业人群的工资决定，而是否就业本身就与潜在工资相关。

还有其他来源（反向因果、滞后结果成为自变量的动态面板、网络效应），但遗漏变量、同时性与测量误差涵盖了大多数会遇到的情形。

如何检测内生性

通常无法靠看相关矩阵或跑标准诊断来检测内生性。问题在于自变量与误差项之间的关系，而误差项按定义是不可观测的。

真正有用的是理论与领域知识。在做任何回归前先问：这个自变量是否由那些也会通过我未控制的渠道影响结果的因素所决定？画出因果图会有帮助。有向无环图（DAG）能明确哪些路径存在、哪些混杂需要阻断。

一种形式化方法是 Durbin-Wu-Hausman 检验，它比较 OLS 与工具变量估计的结果。若两组系数显著不同，说明自变量可能是内生的。注意经典版本假定同方差；若对此存疑，请使用稳健变体（如 Wooldridge 的回归型形式）。但该检验仅在您已有有效工具变量时才可用，而找到一个有效工具往往比做检验更难。它是一个有用的核查，而非替代对数据生成过程的深入思考。

如何处理内生性

没有一种方法能通吃所有类型。正确选择取决于内生性的成因。

工具变量

核心思想：找到一个影响内生自变量、但除通过该自变量外不直接影响结果的变量（工具）。有效工具需满足两个条件：相关性（与内生变量相关）与排除限制（不应直接出现在结果方程中）。

在教育的例子中，家庭到最近大学的距离被提出作为教育的工具变量。住得离大学远的人受教育较少并非因为能力较差，而是因为就读成本更高。若距离除通过受教育程度外不影响工资，那它就是一个有效工具。第二个条件无法仅靠数据验证，这也是为何 IV 估计需要可辩护的论证，而不仅是显著的一阶段回归。

两阶段最小二乘

两阶段最小二乘（2SLS）将 IV 估计落地实施。第一阶段，用工具变量与所有外生控制变量回归内生自变量。第二阶段，用第一阶段的预测值替代内生变量，再将结果对其回归。预测值仅包含由工具带来的变异（与结果方程误差项不相关的变异），这就是 2SLS 能得到更干净因果估计的原因。实践中不要将两个阶段各自当作 OLS 单独跑；第二阶段标准误会有误，因为它忽略了第一阶段估计的不确定性。请使用专门的 IV 估计器（R 的 AER 包中的 ivreg，或 Python linearmodels 中的 IV2SLS）。

固定效应

当内生性源于随时间稳定的、未观测的个体层面特征（能力、企业文化、社区质量）时，面板数据中的固定效应可提供帮助。加入个体层面哑变量（或等价地，在个体内去均值）可以消除所有个体层面不随时间变化的遗漏变量。固定效应无法处理随时间变化的混杂、测量误差或同时性，但对稳定的不可观测因素而言，它往往是最干净的方案。

实验与准实验设计

获得外生变异最干净的方式是随机化。在随机对照试验中，处理分配在设计上与一切其他因素独立。当无法随机化时，自然实验（某些外部事件等效于随机暴露）可达到类似可信度。回归不连续与双重差分是基于此逻辑的两种常见准实验框架。

需要记住：这些方法都不能解决所有类型的内生性。IV 需要可辩护的工具；固定效应无助于同时性；对最重要的问题而言，随机化很少可行。

工具变量：一个简单示例

教育-收入的案例能让机制更具体。内生变量是受教育年限，它与误差项中的未观测能力相关而内生。我们需要一个工具：能预测受教育年限、但仅通过教育影响收入的东西。

Card（1995）提出以距四年制大学的远近为工具。住在大学附近的人上学成本更低，平均受教育更多。若在控制其他地区因素后，靠近大学不会直接影响成年工资，则该近距满足排除限制。

第一阶段：用距大学远近及控制变量回归受教育年限，得到只包含由近距驱动、而非能力驱动变异的拟合值。第二阶段：用这些拟合值回归对数工资。拟合教育的系数估计了教育对工资的因果效应，但仅对那些教育确实因近距而改变的人群成立，计量经济学称之为局部平均处理效应（LATE）。

该工具并不会给出对所有人的平均效应。它提供的是对“服从者”（其教育因近距而改变之人）的可信因果估计。这是 IV 的一个真实局限，但也是诚实的。

因果推断中的外生与内生变量

回归语境下，外生性关注的是与误差项的相关性。因果推断语境稍有不同：关注变量是否通过可隔离的路径导致结果。在与 Judea Pearl 工作相关的有向无环图（DAG）框架中，外生变量是在图中没有父节点的点。混杂变量是同时导致处理与结果的共同原因，正是它们在回归意义上制造了内生性。

这两种框架确有联系，但并不总是完全对齐。计量经济学中的内生性大致对应于 DAG 中未被阻断的“后门路径”的存在。控制一个混杂变量相当于阻断后门路径。IV 估计相当于为处理找到一个外生的变异来源。

需要强调的一点是：在图模型中，一个变量在某一系统中可为外生，在另一系统中却为内生，这正是教育-收入示例所展示的。无论采用何种框架，实践要点相同：您需要为自己的因果假设提供论证，而不是仅仅把模型拟合出来。

机器学习中的外生与内生变量

在标准预测型机器学习中，内生性大体无关紧要。若目标是在留出集上最小化预测误差，特征是否外生并不重要。使用内生自变量的模型仍可能具有良好泛化能力。有偏系数的问题在于解释，而非预测。

当您对系数做因果解释或用模型指导干预时，这一区分开始重要起来。比如某企业训练了流失预测模型，并据此采取行动，基于近期客服工单量来定位客户。此时因果问题变得关键：工单量是在导致流失，还是与驱动二者的相同不满情绪的症状？把内生特征当作原因来行动，可能导致浪费甚至适得其反的干预。

因果机器学习方法（双重机器学习、因果森林、政策学习）会显式纳入标准 ML 忽视的外生性要求。它们利用类似工具变量或实验性的变异来估计能抵御内生性的效应。它们对数据与识别假设的要求更高，但当目标是政策评估而非预测时，它们就是正确的工具。

常见误解

以下是您可能会遇到的一些常见误解。

自变量总是外生的

“自变量”只意味着“预测变量”。它并不说明该变量是否外生。在工资回归中，教育是自变量，同时它是内生的。这两种分类指向不同的概念。

内生就等于因变量

“因变量”是您建模的结果，也就是等式左侧；“内生变量”指与误差项相关的自变量，也就是右侧。它们在联立方程系统中可能重叠，但并非同义。

外生意味着与其他变量完全无关

外生性并不要求与其他自变量统计独立。两个自变量彼此相关且都可以是外生的，只要它们各自都不与误差项相关。外生性特指与 ε 的关系。

加入统计控制就能自动消除内生性

当内生性来自某个可观测且可测量的遗漏因素时，加入控制变量会有帮助。但许多混杂（能力、动机、社交网络）无法观测。若关键的遗漏变量不在您的数据中，即便加入更多控制变量也无法解决问题。

结论

外生与内生描述的是变量从何而来、及其与模型其余部分的关系，而不只是它出现在等式哪一侧。当一个自变量由系统之外决定且与误差项不相关时，它是外生的；当它与同样驱动结果的未观测因素纠缠时，它就是内生的。

这一区分之所以重要，是因为内生性会破坏 OLS。遗漏变量偏差、同时性与测量误差都会让自变量与误差项相关，使估计偏向那些并不代表您想要的因果效应的数值。要修正它，需要理解内生性为何产生，并据此选择合适的方法（工具变量、固定效应、准实验设计）。没有万能药，即便最接近的方案也需要可辩护但无法完全证实的假设。

若您想更深入了解上述内容背后的回归机制，我们的R 中级回归课程会详细讲解这些假设；我们的R 因果推断课程则从本文结束处继续，涵盖工具变量、双重差分与回归不连续设计。