回归结构突变的 Chow 检验

在很长的样本上拟合一个回归模型，可能会掩盖结果变量与预测变量之间的关系已经变化。例如，市场结构改变前后，投资组合对广泛市场收益的估计敞口可能不同。Chow 检验把这个问题转化为一个联合假设：在预先指定的日期两侧，回归系数是否相同。

假设模型有 k 个系数，包括截距。原假设是突变前后的系数向量相等；备择假设则是至少一个受检系数不同。Gregory Chow 1960 年的原始论文将其表述为检验两个线性回归的系数集合是否相等，见Chow 的论文。

“结构突变”在这里是指所选模型表示的条件关系发生变化。它不代表数据生成过程的所有部分都改变了，也不会指出变化原因。拒绝结果说明，在所选样本、模型和日期下，数据不支持被检验的稳定性限制。不拒绝则不等于证明这种关系今后会一直稳定。

令 y 表示结果变量，x 包含截距和纳入模型的解释变量。合并回归在整个样本中施加同一个系数向量。若允许日期之后的系数变化，可定义指示变量 D：突变前为 0，之后为 1，再将 D 与每个回归量相乘：y = x′β + D·x′δ + u。突变前的系数向量为 β，突变后的系数向量为 β + δ。

完整稳定性原假设为 H₀: δ = 0，即联合限制截距和模型中所有斜率。若回归包含截距和两个预测变量，则 k = 3。如果研究问题只关心市场贝塔，就只检验市场收益预测变量对应的交互项；不要把这个较窄的问题悄悄说成检验所有系数。

交互项形式说明了样本分割计算所检验的内容。合并回归是受限模型，强制突变前后的系数相同；两个分组回归是非受限模型，分别估计各组的系数向量。只要使用相同观测值、解释变量和限制，两种做法检验的就是同一个“系数完全相等”原假设。

<!-- 插图说明：无文字的概念画面，展示一组观测点在清晰的时间边界处分成两组；上方是一条适用于两组的共同拟合关系，下方则是突变前后不同的拟合关系。不要出现文字、标签、数值、坐标轴文字、标识或界面元素。 -->

经典 Chow 检验把突变日期视为已给定。日期可以依据外部规则变更、已知的合约改版、数据定义变化，或其他独立于结果而确定时间的事件。研究仍需说明如何归属日期当天的观测值，以及收益、信息发布和交易所时段是否按一致规则对齐。

固定日期的 Chow 检验表示一次突然变化。规则可能在正式生效前已经公布并被市场提前反映，推广可能分阶段进行，交易条件也可能在多个时间点改变。应依据可能改变观测关系的机制，区分公告日、生效日和实际实施日。若事先设定的问题包含渐进反应，斜坡项或分布式交互项可能比单一阶跃指示变量更合适。但事后比较多种形状并挑选 p 值最小的方案，会带来新的搜索问题。

如果研究者尝试许多日期，再报告 F 统计量最大的那个，最终统计量就经过了样本内筛选。通常的单一固定日期 F 参考分布没有考虑这种筛选。对多个资产、结果变量、样本窗口或预测变量组合重复检验，也会产生同样的问题：最显著的结果可能部分来自搜索，而非关系不稳定。

突变日期未知时，应使用专门针对该问题设计的程序。Andrews 对未知突变点下参数不稳定性的研究说明，此类检验的原假设分布并非常规分布；临界值不能直接沿用通常的固定日期 Chow F 临界值。若有多个未知突变点，Bai 和 Perron 提出了检验和估计多个突变日期的方法。这些方法各有假设和端点截尾选择，并非所有时间序列都能直接套用。参见 Andrews（1993）和 Bai 与 Perron（1998）。

先拟合一个合并回归，记录其残差平方和 SSRₚ。再分别拟合指定日期前后的回归，记录 SSR₁ 和 SSR₂。允许完整系数向量不同的经典统计量为 F = [(SSRₚ − SSR₁ − SSR₂) / k] ÷ [(SSR₁ + SSR₂) / (n₁ + n₂ − 2k)]。其中 n₁ 和 n₂ 是两组观测数，k 是每组估计的系数数量，包括截距。

分子是施加 k 个相等限制后，合并模型增加的平方误差除以限制数量。分母用分组模型的残差自由度估计共同误差方差。参考分布的分子自由度为 k，分母自由度为 n₁ + n₂ − 2k。每组都必须有足够的独立信息来估计 k 个系数；若设计矩阵秩不足，这个比较就无法使用。

这个公式用于一次检验全部 k 个系数，并且依赖经典线性模型条件，包括误差独立、正态且两组方差相同。若只检验 q 个限制，应使用有效的受限模型与非受限模型联合 F 检验，分子自由度为 q；不要只把完整分组 SSR 公式里的 k 换成 q，却保留原来的模型不变。对含交互项的设计矩阵，也可用联合 Wald 检验表达相应限制。

假设研究者想判断一个投资组合的周收益与市场因子及第二个风险因子的关系，是否在预先选定的某个日期之后发生变化；该日期来自一个假设的交易所规则调整。模型包含截距和两个因子斜率，因此 k = 3。突变前有 n₁ = 80 个观测，之后有 n₂ = 100 个。所有数值都是为演示计算而虚构的，并非市场估计值。

假设合并回归的 SSRₚ = 360（基点）²，而分组回归的 SSR₁ = 130、SSR₂ = 150。合并限制造成的平方误差增加量为 360 − 130 − 150 = 80。分子为 80 / 3 = 26.67。分组模型的残差自由度为 80 + 100 − 2 × 3 = 174，因此分母为 280 / 174 ≈ 1.609。结果是 F(3, 174) ≈ 16.57；在上述经典假设下，常规右尾 p 值约为 1.6 × 10⁻⁹。5% 临界值约为 2.66，因此这个假设计算会拒绝“全部系数稳定”。

结论应严格限定为：在模型和误差条件合适的前提下，至少一个系数在两个样本之间不同。统计量没有说明市场贝塔上升还是下降；这需要检查系数估计值及其不确定性。它也不能证明规则变化造成了差异，更不能单独说明突变后的预期收益、可执行预测或扣除成本后的策略表现。

截距变化可能表示控制纳入变量后，y 的条件均值在突变后改变。斜率变化可能表示结果变量对某个预测变量的估计响应改变。完整 Chow 检验同时考察这些可能性。拒绝结果说明数据不支持受检系数向量相等；除非进一步检查估计结果并施加恰当的限制，否则不能据此确定是哪一个系数发生变化。

逐个系数检验不能取代联合检验。多个不大的变化合在一起时，可能与系数完全相等不一致，即使没有任何单个系数检验特别明确。反过来，在查看许多候选项后才挑出显著的单个系数，也可能是多重检验结果。先说明联合假设，再报告系数估计、置信区间，以及能回答研究问题的经济意义对比。

Chow 检验也不同于中断时间序列分析。后者会建立干预前趋势，并估计相对于该轨迹的水平和／或趋势变化。Chow 检验询问指定的回归系数在两组之间是否相同；它本身不会建立干预反事实。事件日期附近的突变也可能源自同时发生的其他冲击、样本组成改变或测量流程调整。现有的[中断时间序列指南](/zh-CN/learn/interrupted-time-series-segmented-regression-finance-explained)介绍干预轨迹；单凭系数差异不能识别因果关系。

有关中断时间序列研究设计的综述，参见 Bernal、Cummins 和 Gasparrini 的论文。

当误差存在序列相关、异方差，或不符合共同方差模型时，简单 Chow F 参考分布可能产生误导。金融收益的条件方差经常变化；相邻观测可能共享信息或冲击，市场休市前后的观测也可能不同于一般的相邻交易时段。图表上看似合理的突变，不会自动满足经典误差假设。

要区分条件均值关系变化与残差方差变化。若斜率稳定但不同制度下误差方差不同，共同方差假设就不成立；经典分组 SSR 统计量可能因此把错误原因当成系数不稳定。反过来，稳健协方差估计会改变不确定性的计算，但它本身并不检验系数是否稳定。应分别检查交互项限制和残差尺度，不要把两者当成同一个诊断问题。

一种做法是在合并回归中用交互项表示突变，再用适合数据的协方差估计量检验指定系数限制。White 的异方差一致协方差估计处理与经典公式不同的误差方差模式；Newey–West HAC 估计量在其条件下允许异方差和自相关。这些方法不保留经典有限样本 F 分布。稳健 Wald 统计量通常依赖渐近近似，滞后阶数或带宽仍需说明理由。参见 White 的协方差论文和 Newey–West。

稳健协方差估计不能修复遗漏预测变量、函数形式设定不当、内生解释变量、根据同一结果序列筛选突变日期，或任一制度下观测不足等问题。应检查残差依赖、方差变化、影响点，以及在合理样本窗口下结果是否稳定。若因变量或解释变量非平稳，应先确定回归代表什么，再将显著的突变统计量视为关于稳定关系的有意义证据。

要让结果可复现，应说明结果变量、预测变量、变量变换、样本频率、突变日期两侧的观测数、确切的日期规则，以及全部系数限制。对于经典计算，应报告合并和分组 SSR、k、自由度、F 统计量、p 值和误差假设。对于稳健交互项检验，应注明协方差估计量、调参选择，以及推断使用的是有限样本还是渐近参考分布。

应同时展示突变前后的系数估计及其不确定性，而不只是“拒绝”这个标签。说明估计差异在经济上是否显著，能否通过合理替代窗口和预测变量定义的检验，以及日期是预先指定还是通过搜索选出。系数突变可以促使研究者复核模型、重新估计或建立监控规则，但它本身不证明应该改变交易策略，也不证明新策略会有效。

如果要用于预测或交易，应只使用每个历史决策时点当时可获得的信息来检验后续响应。应在样本外与清晰的基准比较预测或投资组合结果，并计入换手率、价差、费用、适用的资金费以及容量限制。样本内显著的突变是模型稳定性诊断，不是未来阿尔法的证据。关于回归解释，可继续阅读 [OLS 指南](/zh-CN/learn/ols-regression-coefficients-assumptions-finance-explained)；关于误差相关下的推断，参见[稳健标准误指南](/zh-CN/learn/robust-standard-errors-heteroskedasticity-hac-finance-explained)。