似不相关回归 SUR / 3SLS是什么？
似不相关回归 SUR 回答的是多个回归方程的误差项彼此相关时，能否联合估计提高效率。每个方程有自己的因变量，但未观察冲击可能同时影响这些方程。
先用一句话理解
把 SUR 想成同时研究企业的投资方程和融资方程。表面上是两条回归线，但同一个宏观冲击可能让两条方程的误差一起动，联合估计就能利用这种相关。
什么时候用
| 判断项 | 教科书式判断 |
|---|---|
| 适合用在 | 多个方程误差相关，且各方程解释变量不完全相同。 |
| 先不要用在 | 只有一个方程，或方程解释变量完全相同且 OLS 已等价。 |
| 最关键的前提 | 方程之间误差相关要有理论或诊断支持。 |
| 读表顺序 | 先看方程定义，再看残差相关和跨方程约束检验。 |
| 论文表述边界 | SUR 提高效率和做跨方程检验，不自动解决内生性。 |
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 |
|---|---|---|
| 单方程 OLS | 每个方程分开估计。 | 不利用误差相关。 |
| SUR | 多个方程联合估计。 | 利用跨方程误差协方差。 |
| 3SLS | 在方程系统中加入工具变量。 | 处理内生解释变量。 |
核心直觉和模型公式
方程系统和相关误差
两个方程的 SUR 可写成：
\[Y_{1}=X_{1}\beta_{1}+u_{1},\quad Y_{2}=X_{2}\beta_{2}+u_{2},\quad Cov(u_1,u_2)\ne0\]
SUR 利用 u1 和 u2 的相关性联合估计方程系统。
公式里的符号怎么读
| 符号 | 含义 | 在本页怎么理解 |
|---|---|---|
| Y1, Y2 | 不同因变量 | 系统中不同方程的结果。 |
| X1, X2 | 方程解释变量 | 各方程可以不同。 |
| u1, u2 | 方程误差 | 可能受共同冲击影响。 |
| Cov(u1,u2) | 跨方程误差相关 | SUR 的效率来源。 |
| cross-equation test | 跨方程检验 | 比较不同方程系数是否相同。 |
专业使用口径
专业 SUR 报告要说明为什么这些方程属于同一个系统。
| 口径 | 专业写法 |
|---|---|
| 方程系统 | 每个方程的因变量和理论角色要清楚。 |
| 误差相关 | 报告残差相关或 Breusch-Pagan 检验。 |
| 效率来源 | 解释联合估计相对单方程的价值。 |
| 跨方程限制 | 如果比较系数，应使用系统内检验。 |
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. 定义方程 | 写清每个结果变量和解释变量。 | SUR 不是把表拼在一起。 |
| 2. 检查误差相关 | 看方程残差是否相关。 | 无相关时收益有限。 |
| 3. 联合估计 | 使用误差协方差矩阵提高效率。 | 系数仍按各方程解释。 |
| 4. 做跨方程检验 | 检验不同方程系数差异。 | 这是 SUR 常见用途。 |
| 5. 处理内生性 | 若有内生变量，考虑 3SLS 或 IV。 | SUR 本身不解决。 |
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 |
|---|---|---|
| 先看方程 | 系统由哪些结果组成。 | 方程要有共同研究主题。 |
| 再看误差相关 | 是否真的需要联合估计。 | 相关低时 SUR 价值小。 |
| 然后看各方程系数 | 每个方程独立解释。 | 不要跨因变量混读。 |
| 最后看跨方程检验 | 系数是否可比较。 | 比较要用系统检验。 |
初学者最容易错在哪里
| 误读 | 为什么错 |
|---|---|
| 把无关方程硬放一起 | 错。系统要有理论关系。 |
| 认为 SUR 解决内生性 | 错。它处理误差相关。 |
| 解释变量完全相同还期待大变化 | 不一定。此时 SUR 和 OLS 可能等价。 |
| 跨方程比较不用检验 | 不严谨。需要系统内约束检验。 |
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 | sur_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
sureg (innovation: $y $x roa lev size) (governance: cashflow $x top1 indep board)
export delimited using "$JOB_DIR/sur_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 | sur_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似不相关回归 SUR / 3SLS，核心输出见 sur_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
- 先说明多个方程的误差为什么可能相关。
- 每个方程的因变量和解释变量含义要分别写清，不能只报告联合表。
- SUR 的收益来自跨方程误差相关；误差不相关时它和逐方程 OLS 差别有限。