在计量经济学教学中使用 Marx Max

Marx Max 可以用作计量经济学课堂上的演示与练习工作台。AI 进课堂，下一次讲 OLS，你准备怎么用？把需求讨论、代码与计算结果放在同一处，教师就能从一个模型出发，展示结果，再围绕学生的问题改变条件。公式中的抽象关系，也就有了可观察、可比较的内容。

为了减少研究者在讨论、写代码和看结果之间的切换，我们把对话和计算放进了同一个工作区。左侧讨论当前问题，右侧保留可检查、可修改的代码与输出。这种安排同样适合教学：先看一次估计，再比较不同样本；先解释一条回归，再讨论它支持什么判断。AI 协助实现计算，教师决定例子要回答的问题，以及哪些条件值得改变。

下面三个例子依次展开 OLS 抽样分布、回归系数的经济解释和 MCMC 后验抽样。第一例用 Python 建立已知真值的参照，第二例转向 Stata 的实际数据，第三例比较同一模型下的抽样算法。教师把问题与比较条件写成需求，交给 Marx Max 中的 AI 生成并运行代码，再结合输出展开讨论。每例都给出一段提示词；文中的数值与图表提供对应计算的参照，配套代码见文末。

例子一：OLS 的估计值为什么随样本变化

一次估计偏离真值，意味着什么？

如果模型中的真实斜率是 2，为什么回归没有恰好得到 2？这个问题适合从模拟开始：我们知道数据怎样生成，也知道参数真值，因此可以把真实关系与估计结果画在同一张图上。设

$$\begin{aligned} y_i&=1+2x_i+\varepsilon_i,\\ x_i&\sim\mathcal{N}(0,1),\quad \varepsilon_i\sim\mathcal{N}(0,1). \end{aligned}$$

其中解释变量与误差相互独立，各观察也独立。要把这个模型变成可比较的图，可以向 AI 提出这样的需求：

请用 Python 展示 OLS 的抽样波动。按 $y_i=1+2x_i+\varepsilon_i$ 生成数据，$x_i$ 与 $\varepsilon_i$ 独立且均服从标准正态分布，各观察独立，随机数种子用 42。先生成 30 个观察，估计回归，画出散点、真实直线和拟合线；再分别以 30 和 300 个观察重复抽样 500 次，比较斜率估计的分布。请生成并运行代码，将两部分画在同一张图中，标明真值，并保留代码与实际计算结果。

这一需求把模型、变化条件和图中的对照对象交代清楚，AI 就可以据此完成数据生成、估计与绘图。文末配套实现中，30 个观察的拟合线约为

$$\widehat{y}_i=1.116+1.854x_i.$$

图中的散点围绕真实直线分布，拟合线则由当前样本决定。斜率 1.854 与真值 2 的差距，并不能证明 OLS 有偏：无偏性讨论的是重复抽样下的期望，不要求每份样本的估计值都等于真值。把这两条线同时呈现，能让“参数”“估计值”和“拟合关系”各有明确对象。

从公式看抽样波动的来源

将数据生成式代入含截距的 OLS 斜率公式，可以得到

$$\widehat{\beta}_1 =2+\frac{\sum_{i=1}^{n}(x_i-\bar{x})\varepsilon_i} {\sum_{i=1}^{n}(x_i-\bar{x})^2}.$$

右侧第二项就是这份样本中估计偏离真值的部分。误差的条件均值为零，不意味着有限样本中的加权误差和也恰好为零；重新抽取观察，分子与分母都会改变。因此，一次偏离与估计量无偏并不矛盾。模拟图把这种关系具体化：样本改变，散点改变，拟合线随之改变，而数据生成规则没有改变。

这里还可以区分真实误差与拟合残差。前者是生成数据时加入的 $\varepsilon_i$，后者是 $\widehat{u}_i=y_i-\widehat{y}_i$，取决于估计出来的直线。模拟允许同时查看两者；实际数据通常只能观察残差，不能把残差直接当成已知的真实误差。

样本量改变的是估计分布

保持同一生成机制，分别以 30 和 300 个观察重复抽样 500 次，每次重新生成数据并估计斜率。此时比较的对象从一条拟合线变成了估计值的分布：参数保持不变，样本在变化。

图 1：左图比较一份样本中的真实关系与 OLS 拟合线；右图展示重复抽样得到的斜率分布。较大样本的分布更集中，但单次估计仍可能偏离真值。

本次结果中，两组斜率均值约为 1.997 和 2.001，标准差约为 0.192 和 0.059。两组分布都围绕 2，而较大样本的波动明显较小。这比只展示一次“大样本估计更接近 2”更有解释力：样本量影响的是抽样分布，不能保证任意一份大样本都比任意一份小样本更准确。

这一对照也为进一步讨论提供了明确起点。保持样本量不变、增大误差方差，分布会怎样变化？让解释变量与误差相关，估计还会围绕 2 吗？前一个问题涉及精度，后一个涉及模型条件。把它们放在同一个可修改的计算例子里，学生能看到“波动更大”和“偏离真值”并非同一种问题，增加样本也不能自动修复后者。

例子二：解读回归系数

从一条负系数走向经济解释

第一例知道真值，第二例则面对实际数据。Stata 的 auto 数据包含 1978 年的 74 个车型；用价格对燃油效率回归，得到的 mpg 系数约为 −238.89。这个方向值得讨论：燃油效率越高，拟合价格反而越低，它描述了怎样的车型差异？

这次可以直接让 AI 调用 Stata 完成回归，并围绕负系数组织解释：

请用 Stata 自带的 auto 数据运行 reg price mpg，保留原始数据文件，展示实际回归输出和所用命令。结合 price 与 mpg 的单位，把系数写成拟合关系，并比较 20 mpg 与 30 mpg 对应的拟合价格。围绕“为什么燃油效率较高的车型，拟合价格反而较低”提出可能的经济解释，区分回归已经支持的关系与仍需检验的解释；暂不加入其他控制变量。

这样得到的输出既能用于解读系数，也保留了后续比较的基础。下面是这条回归的结果：

图 2：汽车价格与燃油效率的一元回归呈现负向关系。回归表提供系数及其不确定性；这一关系的经济解释仍需要考虑车型之间的其他差异。

将输出还原为拟合关系，系数就不再只是表格中的一个数字：

$$\widehat{\mathrm{price}}_i =11253.06-238.8943\,\mathrm{mpg}_i.$$

price 以美元计，mpg 以英里/加仑计。因此，沿拟合线增加 10 个 mpg 单位，对应约 2388.94 美元的价格差。20 mpg 与 30 mpg 的拟合价格分别约为 6475.17 和 4086.23 美元。这两个点将斜率转换成可讨论的数量关系，却没有回答“把同一辆车改得更省油，会不会使它降价”。模型比较的是不同车型；重量、尺寸、配置与市场定位等差异可能同时与价格和燃油效率有关。

一个显著的关系，怎样形成有根据的解释？

输出中的置信区间约为 $[-344.70,-133.09]$，支持当前推断设定下的负向关系。但区间没有包含零，并不会替我们选择经济机制。一种可能是更小、更轻的车型通常更省油，也处于不同的价格区间；这需要用数据继续检验，不能把可能解释写成这条回归已经证明的结论。

这个例子可以沿着同一问题继续：加入重量之后，mpg 系数怎样变化？如果加入的变量存在缺失，比较的车型是否也变了？只有同时核对变量设定与有效样本，才能分辨系数变化可能来自哪一部分。控制变量不是为了让回归表更丰富，而是对应一个明确的比较条件；即使加入重量，也不能仅凭系数变化就认定因果关系已经得到识别。

因此，第二例最有价值的内容是从“看见负系数”推进到“提出解释并设计比较”。Marx Max 可以保留基础回归的代码与结果，再围绕同一问题展开后续计算，方便将不同设定并排核对。教师无需逐项复述回归表的栏目定义，而可以让学生说明：当前结果支持哪句话，哪句话还需要补充依据，以及下一条回归究竟要检验什么。

例子三：MCMC 怎样近似后验分布

数据不变，抽样的对象变了

第三例沿用第一例的 30 个观察，但不再重新生成研究数据。第一例观察估计量在重复抽样中的变化，这里则在给定数据后推断参数。为集中展示 MCMC，固定截距与误差标准差，只把斜率作为未知参数：

$$\begin{aligned} y_i&=1+\beta x_i+\varepsilon_i,\\ \varepsilon_i&\overset{\mathrm{iid}}{\sim}\mathcal{N}(0,1),\\ \beta&\sim\mathcal{N}(0,25). \end{aligned}$$

先验方差为 25，即标准差为 5。在这个设定下，正态似然与正态先验给出可直接计算的后验，因此我们可以用解析分布核对 MCMC。选择有解析解的模型，是为了看清算法怎样工作：目标分布已知，抽样近似与目标之间的差异就能被单独观察。

可以把模型与所需的对照一起交给 AI，让它生成抽样程序和图：

请沿用第一例的 30 个观察，用 Python 比较同一个斜率后验下的随机游走 Metropolis。固定截距和误差标准差为 1，斜率先验为 $\mathcal{N}(0,25)$，其中 25 是方差。先求解析后验作为参照，再分别使用 0.01、0.35 和 3 的提议标准差；各链从 0 开始，种子均为 42，运行 5000 次，拒绝时也保留原状态。请生成并运行代码，将三条轨迹与舍去前 1000 次后的密度画成三行两列，叠加解析密度，使用统一坐标，并报告接受率及保留状态的均值、标准差。

这段需求把统计模型与算法比较分开约定：后验目标保持不变，只改变提议步长。生成图以后，讨论就可以围绕“为什么三条链面对同一个目标，却呈现不同结果”展开。

先确定目标，再理解抽样

后验来自似然与先验的乘积。忽略与 $\beta$ 无关的常数，对数后验为

$$\begin{aligned} \log p(\beta\mid x,y) &=-\frac{1}{2}\sum_{i=1}^{n}(y_i-1-\beta x_i)^2\\ &\quad-\frac{\beta^2}{2\cdot25}+C. \end{aligned}$$

对这个二次式配方，得到

$$\begin{aligned} V&=\left(\frac{1}{25}+\sum_{i=1}^{n}x_i^2\right)^{-1},\\ \mu&=V\sum_{i=1}^{n}x_i(y_i-1),\\ \beta\mid x,y&\sim\mathcal{N}(\mu,V). \end{aligned}$$

本例后验均值约为 1.853，标准差约为 0.239。它与第一例的 OLS 处理不同：这里固定截距并引入先验，不要求后验均值与原回归完全一致。更重要的是，这个分布描述当前数据与模型条件下的参数不确定性，不是反复生成样本得到的斜率分布。两者都可以画成密度图，但回答的问题不同。

为什么拒绝后还要保留原位置？

采用对称正态随机游走 Metropolis，从当前状态 $\beta_t$ 提出候选值，再按后验密度比决定是否接受：

$$\beta^{\ast}=\beta_t+\eta_t,\qquad \eta_t\sim\mathcal{N}(0,s^2),$$ $$\alpha=\min\left\{1,\frac{p(\beta^{\ast}\mid x,y)} {p(\beta_t\mid x,y)}\right\}.$$

对称提议使提议密度比抵消，未归一化后验中的公共常数也抵消，因此不必先计算归一化常数。若候选值被拒绝，下一状态仍为 $\beta_t$；轨迹中的水平段正是这种停留。只收集被接受的候选值会丢掉停留时间，改变样本表示的分布，所以拒绝后的重复状态也是抽样结果的一部分。

同一个后验，三种步长

保持数据、先验和初值 0 相同，仅改变提议标准差 $s$，分别取 0.01、0.35 和 3。三条链各运行 5000 次，右侧密度统一使用舍去前 1000 次后的状态，与解析后验对照。

图 3：小步长频繁接受，但探索缓慢；大步长经常拒绝，轨迹出现长时间停留。右列将保留状态的密度与蓝色解析后验比较，展示相同目标下不同抽样效率的影响。

三种步长的接受率约为 97.0%、60.4% 和 9.6%。小步长链虽然接受率最高，保留状态的均值却约为 1.696，与解析均值 1.853 有明显距离；步长 0.35 的均值约为 1.862、标准差约为 0.252，更接近参照。大步长链均值约为 1.872，但标准差约为 0.199，仍与目标的分散程度不同。因此，比较时应同时看轨迹与分布，不能只凭接受率或一个接近的均值判断抽样质量。

这个例子把“目标是否正确”与“有限链是否充分探索”分开了。改变先验会改变目标后验，改变提议步长主要影响探索效率；一条链运行得更久，也不等于获得同样数量的独立样本。舍去前 1000 次只是本例统一的比较安排，正式分析仍需多链与有效样本量等诊断，可参考 Stan 的后验分析说明。

将三个案例连起来

三个例子对应三层理解：OLS 模拟让学生区分一次估计与抽样性质；汽车回归让学生从系数提出经济解释，并思考怎样检验；MCMC 则让学生区分统计目标与计算近似。它们共同要求先明确问题，再确定什么保持不变、什么被改变，最后解释结果。计算能把这些差异呈现出来，教学价值来自差异背后的推理。

Marx Max 在这里提供的是可共同查看和修改的计算工作区。讨论不用与结果分离，改变条件后也可以回到前一次输出比较。把一个案例讲清楚之后再扩展，比一次生成整套分析更容易保持问题、模型与解释的一致性。

配套代码

Python 示例包含 OLS 重复抽样、解析后验与 Metropolis 实现，另保留异方差补充实验；Stata do-file复做汽车回归。模拟统一使用随机数种子 42，图中的结果来自配套代码实际运行。Python 依赖 NumPy 与 Matplotlib；Stata 使用自带 auto 数据。do-file 的 clear 会替换内存中的数据，复做前应保存已有工作。