连续自变量与虚拟/指示因变量回归模型的线性假设有效性问询

一、因变量为指示变量、自变量为连续变量时的线性假设相关问题 #

咱们先拆解这个场景：指示变量（也就是0/1虚拟变量）作为因变量，连续变量做自变量，这时候如果用普通线性回归（OLS），核心的线性假设会遇到几个关键问题：

• 条件期望的线性设定与实际概率的矛盾：线性回归假设因变量的条件期望 E[Y|X] = β₀ + β₁X，但对于0/1因变量来说，E[Y|X] 其实是 P(Y=1|X)——也就是给定X时Y取1的概率，这个概率的取值范围必然是[0,1]。但线性模型的预测值可能超出这个范围（比如X很大时，β₀ + β₁X 可能大于1，或者X很小时小于0），这就违背了概率的基本定义，也让预测结果失去实际意义。
• 误差项的分布与方差假设不满足：经典线性回归要求误差项服从正态分布且方差恒定（同方差）。但这里Y服从伯努利分布，误差项 ε = Y - E[Y|X] 的方差是 P(Y=1|X)(1-P(Y=1|X))，而这个方差会随着X变化（因为P(Y=1|X)是X的函数），属于异方差；同时误差项的分布是两点分布，根本不是正态分布，这直接违反了OLS的核心假设。
• 线性关系的合理性存疑：从现实场景来看，自变量对因变量概率的影响通常不是线性的——比如“收入”对“是否购买奢侈品”的影响，收入很低时，概率增长很慢，收入达到一定阈值后快速增长，之后又趋于平缓，这种S型关系才更符合实际，而线性假设强行把它变成直线，拟合效果会很差。

二、仅含一个连续自变量、因变量为虚拟变量的回归模型，线性假设能否完全成立？ #

答案是很难完全成立，具体分两层说：

1. 若仅指“条件期望为自变量的线性函数”这个设定本身：这是我们人为强加的假设，你当然可以这么设定模型，但这个设定几乎不符合真实的数据生成过程。真实世界中，自变量对0/1因变量概率的影响极少是严格线性的，更多是单调递增/递减但边际效应变化的曲线关系。
2. 若指经典线性回归的全套线性假设（包括条件期望线性、同方差、正态误差等）：那肯定不能完全成立。刚才已经提到，误差项的方差随X变化，分布也不是正态，而且预测值可能超出[0,1]范围，这些都是硬伤。

当然，如果你的数据里，自变量的取值范围刚好让 β₀ + β₁X 落在[0,1]之间，而且异方差的程度很轻微，线性模型可能能给出一个粗糙的近似，但这绝对不是“完全成立”的情况。大多数时候，我们会选择logit或probit模型来处理这类问题，它们的模型结构更符合0/1因变量的概率特性。

内容的提问来源于stack exchange，提问作者Andy