学过线性回归的同学肯定都学过，而且老师都会告诉你们，
是评判一个模型拟合好坏的重要标准。但是我在上高级计量经济学课的时候，老师首先就告诉我们，
是一个很不靠谱的东西，不能把这个作为评判模型的依据。而这一点也在不同课程、不同老师那里得到了印证。
为什么要重新提出这个问题，主要是在线性回归中的 ANOVA 的作用是什么？ – 方差分析和方差分析和回归分析的异同是什么？ – 统计学这两个问题里面跟某些人发生了一些争执。
如果你去看这两个题目，首先有一点需要注意的是，第一个问题里面的ANOVA指的是做完线性回归之后汇报出来的那个方差分析表，跟后面的方差分析还不完全是一回事。做完线性回归之后的那个ANOVA表主要是用来计算的，这一点可以看我的答案方差分析和回归分析的异同是什么？ – 慧航的回答
那么，为什么我说在计量经济学领域，是个不靠谱的指标呢？因为计量经济学关注的是解释变量究竟是怎样解释被解释变量的，而拟合的好坏，多数情况下我们并不关心。
为了说明这一点，我做了几个数值模拟告诉大家：
clear
set more off
set obs 1000
gen z=rnormal(0,1)
gen z2=rnormal(0,1)
gen x1=z+z2
gen x2=z2+rnormal(0,1)
gen y=-1*x1+2*x2+rnormal(0,1)
gen y2=-1*x1+2*x2+3*rnormal(0,1)
*********** different error terms**********
reg y x1 x2
reg y2 x1 x2
*********** transformation ******
gen yp=y-3*x1
reg y x1 x2
reg yp x1 x2
*********** IV, negative R-square *******
reg y x1
ivregress 2sls y (x1=z)
以上是用Stata写的，非常简单。
我们先来比较第一组结果，也就是
*********** different error terms**********
reg y x1 x2
reg y2 x1 x2
结果如下：
两个回归的差别仅仅在于，第二个方程的扰动项的方差是第一个的3倍，导致从86.4%下降到了40.95%，于是我们可以得到一个结论：
度量的是你未观察到的部分与观察到的部分的方差，而如果我们的兴趣点在与x对y的影响，那么再小的
也不代表模型的解释能力弱。
下面我们来比较第二组结果，也就是：
*********** transformation ******
gen yp=y-3*x1
reg y x1 x2
reg yp x1 x2
结果如下：
可以看到，我仅仅是在y上减去了3×x1，的到的就从86.4%上升到了96.17%。我们可以证明，第二个方程的估计结果应该是和第一个方程的估计结果一模一样的（x1的系数要加上3之后一模一样），连standard error也一模一样，说白了，这两个是同一个回归，但是，
却差别很大。请问这样的
的上升有意义么？
最后一组，也是最amazing的：
*********** IV, negative R-square *******
reg y x1
ivregress 2sls y (x1=z)
回归结果：
如果仔细看我的数据生成过程，我做回归忽略了x2，自然导致了内生性的问题，所以OLS的回归结果是有误导性的，不对的。解决办法是用IV的方法，也就是下面的回归结果，回归系数与真实值（-1）差别不大。但是你仔细看一下，IV的回归结果里面没有报告，知道为什么么？因为经过我精巧的设计，你会发现，在这个例子里面，IV估计的
。但是从计量经济学的观点哪个估计好呢？IV的估计好，因为IV的估计准确的告诉了你x1对y的影响。
综上，在我们做完回归的时候，高并不代表我们的回归方程解释能力强，
低也不代表我们的回归解释能力就差。用
来评判回归，至少在计量经济学里面，是比较业余的。
p.s. 最后补充一条，我说计量经济学里面不重要，不是说这个东西完全没用。比如当我们做收入不平等问题的时候，多少不平等来自于观察到的差距、多少来自观察不到的等等，
和ANOVA表格还是非常有用的。但是多数情况下，拿
评判别人的模型是非常业余的行为。
==========================
下面这段是给@weixin shi科普的，证明在此：
命题：有截距项的OLS，其
证明：
炒鸡简单的一个证明。看不懂不要问我了。我不用问我计量老师，我本身就是半个计量老师。如果你计量老师告诉你这条定理不对，我真担心你们学校的老师质量差的可以。
来源：知乎 www.zhihu.com
作者：慧航
【知乎日报】千万用户的选择，做朋友圈里的新鲜事分享大牛。
点击下载
