贝叶斯基准回归是什么？
贝叶斯基准回归回答的是在已有先验信息和当前数据共同作用下，核心系数最可能落在哪里。它不是用 p 值判断显著，而是用后验分布表达参数不确定性。
先用一句话理解
把贝叶斯回归想成先带着一个初始判断进入数据，再让数据更新这个判断。如果数据很强，后验会主要听数据；如果样本很少，先验会更明显地影响结果。
什么时候用
| 判断项 | 教科书式判断 |
|---|---|
| 适合用在 | 研究者愿意明确先验，并希望用完整后验分布表达不确定性。 |
| 先不要用在 | 先验无法解释，或只是想换一种方式得到显著星号。 |
| 最关键的前提 | 先验选择要透明，必要时做先验敏感性。 |
| 读表顺序 | 先看先验，再看后验均值、中位数、可信区间和 posterior probability。 |
| 论文表述边界 | 可信区间不是频率学置信区间，解释口径不同。 |
把它和相近方法分清楚
| 容易混淆的对象 | 怎么区分 | 初学者记法 |
|---|---|---|
| 频率学 OLS | 参数固定，样本随机。 | 用标准误和 p 值推断。 |
| 贝叶斯回归 | 参数有后验分布。 | 用先验和似然更新不确定性。 |
| 稳健性分析 | 检验结果对设定是否稳定。 | 不是先验更新框架。 |
核心直觉和模型公式
先验、似然和后验
贝叶斯更新可以写成：
\[p(\beta\mid y,X)\propto p(y\mid X,\beta)p(\beta)\]
后验分布等于似然和先验的结合，比例常数保证概率积分为 1。
公式里的符号怎么读
| 符号 | 含义 | 在本页怎么理解 |
|---|---|---|
| p(β) | 先验 | 看数据前对参数的判断。 |
| p(y|X,β) | 似然 | 给定参数时数据出现的可能性。 |
| p(β|y,X) | 后验 | 看到数据后对参数的更新判断。 |
| credible interval | 可信区间 | 后验概率意义下的参数区间。 |
| posterior probability | 后验概率 | 参数大于零或落入某范围的概率。 |
专业使用口径
专业贝叶斯报告要让读者看清先验如何影响结论。
| 口径 | 专业写法 |
|---|---|
| 先验透明 | 说明先验分布、尺度和来源。 |
| 敏感性 | 比较弱信息先验和替代先验。 |
| 收敛诊断 | MCMC 时报告 Rhat、ESS 或轨迹诊断。 |
| 解释口径 | 用后验概率和可信区间，而不是套用 p 值语言。 |
一步一步做：从问题到结果的五步
| 步骤 | 这一页具体做什么 | 做到什么程度才算读懂 |
|---|---|---|
| 1. 写清模型 | 确定似然和回归结构。 | 贝叶斯也需要清楚模型。 |
| 2. 设定先验 | 说明为什么这样设。 | 先验不可隐藏。 |
| 3. 得到后验 | 解析或 MCMC 抽样。 | 重点是分布而非单点。 |
| 4. 做诊断 | 检查抽样收敛和后验稳定。 | MCMC 不收敛不能解释。 |
| 5. 报告敏感性 | 换先验看结论是否改变。 | 小样本尤其重要。 |
结果怎么读：先读口径，再读数字
本页案例读表时，先记住这个口径：年度效应均值 = 0.0031；Meta/SUR 页用年度子样本系数做教学效应量。
| 读表顺序 | 本页怎么读 | 不要这样读 |
|---|---|---|
| 先看先验 | 是否强、是否合理。 | 先验会影响后验。 |
| 再看后验中心 | 均值或中位数的位置。 | 这是参数最可能区域。 |
| 然后看可信区间 | 后验不确定性多大。 | 解释为概率区间。 |
| 最后看敏感性 | 换先验后结论是否稳。 | 这是可信度关键。 |
初学者最容易错在哪里
| 误读 | 为什么错 |
|---|---|
| 把可信区间当置信区间 | 错。两者概率解释不同。 |
| 不报告先验 | 错。贝叶斯结果不可复核。 |
| MCMC 不诊断 | 风险高。抽样没收敛结果无意义。 |
| 用贝叶斯包装显著性搜索 | 错。后验不是星号替代品。 |
先看这个案例的结论
- 年度效应均值 = 0.0031；Meta/SUR 页用年度子样本系数做教学效应量。
- 年度效应 SD = 0.0028；效应量之间的异质性。
- 加权回归系数 = 0.0034；svy/权重页的系数对照。
- 这些数字来自页面里的结果表；写论文时先解释数值含义，再讨论理论含义。
变量要求和案例口径
| 字段 | 口径 |
|---|---|
| 数据 | CSMAR 风格 A 股企业创新面板 |
| 原始样本 | 196 家上市公司，2015-2020 年，约 1200 个公司-年观测；各方法有效样本以本页输出表 N 为准 |
| 因变量 | patent_count；回归页通常使用 ln(1 + patent_count) |
| 核心解释变量 | dfi_index，数字普惠金融指数；部分案例输出展示的是标准化后的 dfi_index |
| 控制变量 | roa、lev、size、growth、cashflow、tobinq、top1、dual、board、indep、soe、age |
| 输出文件 | bayes_baseline_results.csv |
| 角色要求 | 因变量、核心解释变量 |
| 依赖包 | 无额外 Stata 社区包要求 |
实际代码
下面是本页案例里的最小 Stata 代码。它的作用是帮助你看清变量怎么进入模型、结果文件怎么生成，而不是要求你在网页里手动运行。
import delimited "$DATA_PATH", clear varnames(1) encoding(UTF-8)
gen ln_patent1 = ln(1 + patent_count)
egen firm_id = group(stkcd)
xtset firm_id year
global y ln_patent1
global count_y patent_count
global x dfi_index
global controls roa lev size growth cashflow tobinq top1 dual board indep soe age
gen post = year >= 2018
bysort firm_id: egen pre_dfi = mean(cond(year < 2018, dfi_index, .))
quietly summarize pre_dfi, detail
gen treat = pre_dfi >= r(p50)
gen did = treat * post
gen high_patent = patent_count > 2
gen running_dfi = dfi_index - 260
gen rdd_treat = running_dfi >= 0
bayes, rseed(20260517): regress $y $x roa lev size growth cashflow
bayesgraph diagnostics
export delimited using "$JOB_DIR/bayes_baseline_results.csv", replace实际输出表
这张表是本方法页配套案例的输出结果，用来把前面的公式、变量口径和代码对应到实际数字。
| 指标 | 数值 | 解释 |
|---|---|---|
| 样本 | 1200 obs / 196 firms / 2015-2020 | 来自共用案例 CSV |
| 因变量 | ln(1 + patent_count) | 企业创新产出 |
| 核心解释变量 | dfi_index | 数字普惠金融指数 |
| 输出文件 | bayes_baseline_results.csv | empirical-wizard 对应方法产物 |
| 年度效应均值 | 0.0031 | Meta/SUR 页用年度子样本系数做教学效应量 |
| 年度效应 SD | 0.0028 | 效应量之间的异质性 |
| 加权回归系数 | 0.0034 | svy/权重页的系数对照 |
| Patent Gini | 0.4413 | 不平等分解页的核心分布指标 |
案例图
这是一张由同一份案例数据生成的页面内诊断图。
论文里怎么写
本文在共用企业面板样本上报告贝叶斯基准回归，核心输出见 bayes_baseline_results.csv。结果解释时同时关注样本口径、变量构造、系数方向、标准误和适用前提，避免只凭单个 p 值完成方法选择。
检查清单
- 先说明先验分布，贝叶斯结果不能只报告后验均值。
- 报告可信区间和后验概率，不要套用频率学 p 值语言。
- 检查先验敏感性，避免结论完全由强先验驱动。