内生性来源：联立性与异质性是否等同？二者均为内生性偏误来源吗？

首先直接给结论：二者完全不同，但确实都是内生性（Endogeneity）的核心来源，都会引发计量估计的偏误。咱们一步步拆解：

一、二者的核心区别 #

你对两个概念的理解非常准确，再帮你把差异点讲得更具象：

• 联立性：本质是双向因果闭环——模型里的解释变量和被解释变量互为因果，都由系统内部的机制共同决定。比如研究“城市犯罪率 vs 警力投入”：警力投入增加会降低犯罪率，但犯罪率上升也会倒逼城市增加警力，这两个变量互相影响，没有明确的“谁先谁后”，这就是联立性问题。
• 异质性：核心是个体未观测特征的遗漏——不同观测单元（比如个人、企业、地区）存在一些没被放进模型的固定或时变特征，这些特征同时关联解释变量和被解释变量。比如研究“员工培训时长 vs 绩效”：有些员工天生学习能力强，既愿意参加更多培训，绩效也更容易提升，而“学习能力”没被纳入模型，就带来了异质性问题。

二、二者都属于内生性来源，会引发偏误 #

没错，这两类问题都违反了OLS回归的关键假设——解释变量与误差项不相关，进而导致估计结果偏误且不一致：

• 联立性会引发联立性偏误：当解释变量和被解释变量双向因果时，被解释变量的误差项会反向影响解释变量，使得解释变量和误差项产生相关性。比如刚才的犯罪率例子，犯罪率的随机波动（比如突然发生的团伙犯罪）会让警力投入增加，这就意味着警力投入这个解释变量和误差项相关，OLS估计会失真。
• 异质性会引发遗漏变量偏误：如果未观测的个体异质性和解释变量相关，误差项就会包含这个异质性，进而和解释变量相关。比如员工培训的例子，学习能力强的员工更主动参加培训（解释变量和异质性正相关），同时绩效更高（误差项和被解释变量正相关），OLS会高估培训时长对绩效的影响。

三、补充一点解决思路（帮你深化理解） #

既然都是内生性问题，但解决方法差异很大：

• 联立性问题通常用工具变量法（IV）：找一个只影响解释变量、不直接影响被解释变量的“外生冲击”，比如某城市突然获批的专项警力拨款（只影响警力投入，不直接影响犯罪率），用它来分离出警力投入的外生部分，得到一致估计。
• 异质性问题的解决要看异质性类型：
  • 如果是固定不变的个体异质性（比如员工的天生学习能力），用固定效应模型（FE），通过去均值消除个体固定特征的影响；
  • 如果是随机分布的异质性，且和解释变量不相关，用随机效应模型（RE）；
  • 如果是时变的未观测异质性，可能需要差分GMM这类动态面板方法。

内容的提问来源于stack exchange，提问作者Ibaad