📊 统计学

Is Using Shapley Value Good for Covariate Selection in Panel Models?

本文提出并验证了一种用于面板模型中协变量选择的固定效应 Shapley 值方法，通过模拟实验和实证应用证明，该方法作为现有方法的替代方案，具有透明、计算高效且简洁的特点，同时能够准确恢复真实的活跃集并提升模型性能。

原作者： Htwe Ko, Pathairat Pastpipatkul

发布于 2026-10-14

📖 1 分钟阅读☕ 轻松阅读

原作者： Htwe Ko, Pathairat Pastpipatkul

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

在经济学领域，研究人员经常面临一个看似简单实则极其棘手的难题：如何确定哪些因素真正驱动了特定的结果，例如国民收入的增长。想象一位科学家正在观察一份包含数十个国家多年数据的庞大电子表格。他有一份潜在原因清单——诸如教育支出、外来投资、通胀率和人口增长等。问题在于，候选因素太多，无法同时进行测试而不造成混乱，而且经济理论很少能指出一个单一且完美的成分清单。几十年来，统计学家一直试图通过使用各种数学捷径来过滤掉噪声来解决这个问题，但这些方法往往让研究人员在猜测究竟是哪些变量在发挥核心作用，而哪些仅仅是随行附庸。核心挑战不仅在于找到一个能很好拟合数据的模型，还在于理解每个个体因素究竟为这种拟合贡献了多少信用，尤其是当这些因素以复杂的方式交织在一起时。

清迈大学的一个研究小组提出了一种应对这一问题的新方法，他们借鉴了博弈论中的概念，旨在为混乱的经济数据带来清晰度。他们没有将变量的选择视为一场统计学的猜测游戏，而是将其构建为一个合作博弈，其中每一个潜在因素都是一名“玩家”。在这场游戏中，目标是衡量每位玩家对团队成功的贡献程度，而在本案例中，这种成功是指模型解释国民收入变化的能力。研究人员使用了一种名为“夏普里值”（Shapley value）的数学工具，这种方法最初旨在公平地分配合作博弈中玩家的收益。通过将这一逻辑应用于经济数据，他们可以计算出每个变量的精确平均贡献，并考虑到所有可能的因素组合。这种方法将数据的固定效应（即每个国家和每一年独特的、不变的特征）视为背景常数，从而使研究人员能够纯粹专注于变化的变量是如何相互作用并解释结果的。

研究人员通过一系列计算机模拟测试了他们的新方法，称之为“固定效应夏普里值协变量选择法”。他们创建了数千个虚构的经济数据集，在这些数据集中，他们预先知道真实答案：他们确切知道哪些变量是真实的驱动因素，哪些仅仅是随机噪声。在这些测试中，该方法表现得异常出色。随着数据量的增加，该方法几乎完美地识别出了真实的驱动因素并忽略了噪声。它成功地从静态中分离出了信号，在样本量足够大的情况下，几乎在所有实例中都成功找回了正确的变量集。模拟结果表明，虽然一些旧方法会因为某些变量在特定组合中看起来表现良好而不断将其纳入模型，但这种新方法始终会将无用的因素分配为零或负值，从而有效地将其过滤掉。

为了验证这在现实世界中是否有效，研究团队将该方法应用于来自45个国家的实际经济数据，这些国家被分为两组：20个发达国家和25个发展中国家，时间跨度为2000年至2023年。他们从一个包含十个不同经济指标（如政府债务、贸易开放度和汇率）的全模型开始。当他们运行夏普里值分析时，结果揭示了一个因国家类型而异的清晰重要性层级。对于发达国家，贸易开放度和外来直接投资成为增长的最强驱动力；而对于发展中国家，外来投资和人口增长占据了主导地位。该方法还强调了一些变量，尽管在传统统计测试中看起来具有显著性，但实际上对整体增长解释的贡献微乎其微。在某些情况下，它甚至对某些因素分配了负值，表明纳入这些因素反而通过增加不必要的复杂性而使模型变得更糟，未能提供真正的解释力。

该方法生成的最终模型比最初那个包罗万象的版本更加简洁且重点突出。在发达国家组中，该方法选择了七个关键变量；在发展中国家组中，它将名单缩减至仅三个；而在合并组中，它选择了四个。这些精简后的模型在解释数据方面与全模型表现同样出色，但结构更加清晰。当研究人员将他们的结果与其他先进的统计技术进行比较时，发现两者在最重要的变量上存在高度一致性，但新方法的优势在于：它提供了一个单一且确定的最佳变量列表，而不是一组令人困惑的概率。这意味着研究人员现在可以非常有信心地通过数据说出哪些因素正在驱动增长，而不必猜测哪些变量应该保留或舍弃。这项研究得出结论，这种基于博弈论的方法为解决经济学中最古老的问题之一提供了一种透明、公平且计算高效的方式，将一份杂乱的可能性清单转化为了一个关于“究竟什么才是关键”的清晰且基于证据的故事。

技术摘要：面板模型中基于固定效应 Shapley 值的协变量选择

问题陈述
本文解决了面板数据模型中持久存在的协变量选择挑战，特别是在研究人员面临的潜在决定因素“菜单”往往超过观测值数量或可靠估计能力的宏观经济背景下。传统的处理方法，如逐步回归、Lasso 类惩罚项以及针对所有 $2^p$ 个子集的信息准则搜索，都面临局限性：当协变量数量 ( $p$ ) 超过约 20 个时，它们在计算上变得缺乏灵活性；其结论对所选准则较为敏感；并且无法提供模型解释能力的精确分解，以归因于单个回归变量的贡献。此外，现有方法往往将选择与收缩（shrinkage）混为一谈，或者缺乏一种透明机制，在考虑固定效应的同时，将模型的“价值”归功于特定变量。

方法论：固定效应 Shapley 值 (FESV)
作者提出了固定效应 Shapley 值 (FESV) 方法，将协变量选择构建为一个合作博弈论问题。

博弈公式化：
- 参与者： 每个候选协变量被视为可转移效用博弈中的一名参与者。
- 非参与者： 单位效应 ( $\alpha_i$ ) 和时间效应 ( $\gamma_t$ ) 被视为结构性组成部分，它们始终存在；在进行联盟评估之前，它们通过组内变换（within-transformation）被剔除，且永远不会被选中。
- 特征函数 ( $v$ )： 联盟（协变量子集 $S$ ）的价值被定义为仅使用 $S$ 中变量的组内估计回归的调整后 $R^2$ 。该函数在扣除固定效应后，并针对自由度进行了惩罚。
- 替代函数： 研究还考虑了使用未调整 $R^2$ 和负 BIC 作为特征函数，以测试稳健性。
Shapley 值计算：
- 每个协变量的 Shapley 值 ( $\phi_i$ ) 是通过计算其在所有可能联盟 ( $2^p$ 个子集) 中的边际贡献的加权平均值得到的。
- 性质： 该方法利用了 Shapley 值的公理化性质：效率性（各值的总和等于总解释变异）、对称性、加法性和空参与者属性（无关变量的价值为零或负值）。
- 计算： 通过枚举所有 $2^p$ 个联盟、拟合每个联盟的组内回归并应用组合权重，来计算精确的 Shapley 向量。
选择规则：
- 规则 A (正号)： 选择所有具有正 Shapley 值 ( $\phi_i > 0$ ) 的协变量。这可以作为一种诊断，但在有限样本中由于抽样噪声，往往会导致过度选择。
- 规则 B (惩罚嵌套)： 按递减的 Shapley 值对协变量进行排序，并选择使惩罚目标函数最大化的前- $k$ 个联盟： $J(k) = v(M_k) - \gamma k$ ，其中 $\gamma$ 是用户定义的惩罚项（例如 0.01）。该规则通过对增加变量以显著改善拟合优度的行为收取“成本”，从而有效地控制假阳性。

核心贡献

精确分解： 与逐步回归或惩罚方法不同，FESV 提供了一种非残差的精确分解，将全模型的调整后 $R^2$ 精确分解为每个协变量的贡献。
选择与估计的分离： 该方法在进行选择时不进行收缩。一旦通过 Shapley 博弈确定了最优子集，便使用标准的组内变换 OLS 进行最终估计，从而保持了系数的可解释性。
处理固定效应： 该方法明确地将固定效应视为非参与者，确保了选择过程对于单位效应和时间效应的设定是稳健的。
理论一致性： 本文建立在标准正则性假设的基础上，证明了估计的 Shapley 值收敛于总体值，并且规则 B 在 $N \times T \to \infty$ 时能一致地恢复真实的活跃集合。

实证与模拟结果

蒙特卡洛模拟：
- 在五个样本规模（ $N \times T$ 从 50 到 4000 不等）及 6 个协变量（3 个活跃，3 个噪声）的模拟实验中，结果表明 规则 B 在中等样本量下（ $N \times T \geq 450$ ）能以近乎完美的精确度和召回率（F1 分数 $\approx$ 1.0）恢复真实的活跃集合。
- 规则 A 保持了较高的召回率，但由于抽样噪声偶尔会赋予噪声协变量微小的正值，导致其面临持续的假阳性率问题（精确度 $\approx$ 0.79）。
- 模拟证实，惩罚后的特征函数（调整后 $R^2$ ）在期望上会对噪声协变量分配负值，从而实现有效的选择。
实证应用（增长回归）：
- 应用于 2000–2023 年间 45 个国家（20 个发达国家，25 个发展中国家）的面板数据，用以解释 GDP 增长。
- 发现： 与包含 10 个变量的全模型相比，FESV 方法选择了更为精简的模型（3–7 个变量）。
  - 发达国家： 选择了贸易开放度、外商直接投资 (FDI)、人口增长、通胀、教育、失业率和政府效能。
  - 发展中国家： 选择了 FDI、汇率和人口增长。
  - 混合模型： 选择了 FDI、人口增长、贸易开放度和债务。
- 表现： 所选模型在保留主要决定因素的同时，实现了比全模型更低的 BIC 分数。调整后 $R^2$ 的下降非常轻微。
- 比较： FESV 的排名与贝叶斯面板变量选择 (BPVS) 模型在关键驱动因素（如 FDI 和人口增长始终是前排预测因子）方面高度一致。然而，FESV 产生的模型更为精简，而 BP症由于高后验包含概率而保留了所有变量。

意义与主张
本文声称 FESV 为面板模型中的协变量选择提供了一个透明、计算高效且具有理论基础的工具。其主要意义在于：

透明度： 它将变量选择这一“黑箱”过程转化为一种可审计的解释力归因，每个变量的贡献都是可以明确计算的，并且其总和恰好等于模型的总拟合度。
无收缩的精简性： 它通过基于自由度的博弈论惩罚而非系数收缩来实现模型稀疏性，从而允许进行标准的后选择推断。
稳健性： 该方法被证明在识别关键驱动因素方面与贝叶斯方法具有一致性，但在生成单一、可辩护且精简的规范化模型方面更具优势。

承认的局限性
作者指出，精确枚举 $2^p$ 个联盟限制了该方法适用于协变量数量较多的情况（尽管存在采样近似法）。目前的框架仅限于具有连续结果的线性模型，且文中并未提供关于后选择推断（例如，在选择后的有效置信区间）的正式理论，这为未来的研究方向指明了方向。

技术摘要：面板模型中基于固定效应 Shapley 值的协变量选择

类似论文