在R中基于残差平方和法的F检验：如何构建受约束回归模型？

首先得把你的假设转化为模型参数的约束条件，先拆解无约束模型和假设逻辑：

无约束模型形式 #

你已经建立的无约束回归：

unrestricted_model <- lm(WAGE ~ MALE + SCHOOL + EXPER, data = wages)

对应的数学表达式为：

WAGE = β₀ + β₁×MALE + β₂×SCHOOL + β₃×EXPER + ε

推导约束条件 #

你的核心假设是：受教育年限相同时，z年经验男性的工资与z+7年经验女性的工资相等

分别写出两类人群的工资表达式：

• 男性（MALE=1）：β₀ + β₁×1 + β₂×SCHOOL + β₃×z
• 女性（MALE=0）：β₀ + β₁×0 + β₂×SCHOOL + β₃×(z+7)

令两者相等并化简，最终得到参数约束：β₁ = 7β₃ → β₁ - 7β₃ = 0

构造受约束回归模型 #

把β₁=7β₃代入无约束模型，整理后得到受约束模型的表达式：

WAGE = β₀ + β₂×SCHOOL + β₃×(EXPER + 7×MALE) + ε

对应到R里有两种实现方式：

方式1：直接在公式中构造组合变量 #

用I()函数保留算术表达式的原始计算逻辑，避免被公式解析器误判：

restricted_model <- lm(WAGE ~ SCHOOL + I(EXPER + 7*MALE), data = wages)

方式2：先创建新变量再建模 #

先构造调整后的经验变量，再代入模型：

wages$EXPER_ADJ <- wages$EXPER + 7*wages$MALE
restricted_model <- lm(WAGE ~ SCHOOL + EXPER_ADJ, data = wages)

用残差平方和做F检验 #

你可以手动计算F统计量，或者直接用anova()函数自动完成模型对比：

# 手动计算RSS和F统计量
rss_unrestricted <- sum(resid(unrestricted_model)^2)
rss_restricted <- sum(resid(restricted_model)^2)
n <- nrow(wages)
k_unrestricted <- length(coef(unrestricted_model)) # 无约束模型参数数：4个（截距+3变量）
k_restricted <- length(coef(restricted_model)) # 受约束模型参数数：3个（截距+2变量）

f_stat <- ((rss_restricted - rss_unrestricted)/(k_unrestricted - k_restricted)) / 
          (rss_unrestricted/(n - k_unrestricted))

# 更简便的方式：直接用anova函数对比模型
anova(restricted_model, unrestricted_model)

anova()的输出会给出F统计量和对应p值，直接用来验证假设即可。

内容的提问来源于stack exchange，提问作者RStudent