统计百科 · 2026-07-11

Heckman 两步法结果怎么报告？选择方程、IMR 与 APA 模板

Heckman 两步法怎么写进论文？本文说明选择方程、排除限制、逆米尔斯比 IMR 与结果方程的报告顺序，提供可复现提示和 APA 模板，并明确 IMR 显著不等于自动获得因果识别。

Heckman 两步法处理的是一种特定问题：结果变量只在被选择进入样本的观测中可见，而且这种选择可能不是随机的。它先用 Probit 选择方程估计进入样本的概率，再构造逆米尔斯比（IMR，常记为 λ），把 λ 放入结果方程修正选择机制。

如果研究没有明确“谁有机会进入结果样本”，就不应仅因为担心内生性而套用 Heckman。

先画清两条方程

选择方程回答：哪些观测被选入、结果变量可被观察？

结果方程回答：在被选入样本中，X 与 Y 的关系是什么？

高质量报告至少要说明：

选择指示变量如何编码，1 与 0 各代表什么；
选择方程使用哪些变量；
哪个变量只进入选择方程、不进入结果方程，即排除限制；
排除限制为什么有理论依据；
结果方程报告哪些控制变量与标准误；
λ 的符号、SE、p 值如何解释。

可复现的数据示例与输入提示

列名	含义
wage	仅就业者可观测的结果 Y
education	结果方程核心 X
selected	是否就业且工资可观测，1=选入，0=未选入
local_jobs	只进入选择方程的排除限制候选
age、experience	两方程控制变量

可以提交：

使用 Heckman 两步法分析 education 与 wage。selected 是真实选择指示列，1 表示工资可观测、0 表示未选入；local_jobs 进入选择方程但排除在结果方程之外，age 和 experience 为控制变量。请报告第二步 education 的 b、HC1 SE 和显著性星号；报告 IMR λ 的 b、SE，以及表注中直出的精确 p；同时报告结果方程 N 和总样本量。核心 X 的精确 p 当前不直出，如论文需要必须另行取得并验证。请明确当前格式化输出不包含完整第一步 Probit 系数表，不要把 λ 显著解释为排除限制有效或因果识别成立。

local_jobs 只是示例列名。真实研究必须用理论和制度背景论证排除限制，不能照抄示例。

ChatSRS 当前能力边界

当前 panel_heckman 分析器支持两种选择机制：

推荐使用真实 0/1 选择指示列；
没有选择指示列时，可把 Y 是否可观测作为选择机制，但若 Y 完全无缺失会直接提示该路径不适用。

它先估计 Probit 选择方程并计算 IMR，再在被选入样本中估计含 λ 的 OLS 结果方程，结果方程使用 HC1 稳健标准误。格式化表对核心 X 与 λ 均显示 b、HC1 SE 和显著性星号；此外，表注单独显示 λ 的精确 p。核心 X 的精确 p 不在直出结果中。结果还列出结果方程样本量和总样本量。

**能力边界：**当前直出不展示完整第一步 Probit 系数表；核心 X 仅直出 b、HC1 SE 和星号，精确 p 需另行取得并验证；λ 的精确 p 则会出现在表注中。λ 显著最多说明在当前模型设定下选择修正项与结果相关，不证明排除限制有效，也不使观察性设计自动获得因果识别。两步估计的推断口径还应按目标期刊和研究设计复核。

输出结果怎么解释

输出项	正确解释
X 的 b	加入 λ 后，在结果方程中的条件系数
X 的 HC1 SE 与星号	当前直出对核心 X 推断的呈现；精确 p 不直出
λ / IMR	由第一步选择方程生成的修正项
λ 的精确 p	直出表注中的数值，用于判断当前设定下修正项是否偏离零
结果方程 N	selected=1 且所需变量完整的观测数
总样本量	用于说明选择前后的样本规模

λ 不显著也不等于“绝对没有选择偏差”；可能是选择方程识别弱、样本不足或排除限制不佳。λ 显著同样不能证明修正后的 X 就是因果效应。

APA 三线表模板

建议把第一步和第二步分栏；若当前直出缺少第一步系数，必须标明待补，而不是填写猜测值。

变量	选择方程 Probit	结果方程 b (HC1 SE)
排除限制 Z	[经验证后填]	—
核心 X	[若进入则填]	[ ]
控制变量	[ ]	[ ]
IMR λ	—	[ ]
N	[ ]	[ ]

表注建议：

注：选择变量编码为 1=[选入含义]、0=[未选入含义]。Z 仅进入选择方程，其排除依据为 [理论或制度理由]。结果方程采用 HC1 稳健标准误。直出表对核心 X 仅显示星号，不显示精确 p；λ 的精确 p 位于表注。当前产品直出若未展示第一步 Probit 系数，需由经验证的补充输出填入。

APA 正文报告模板

为评估非随机样本选择，本研究采用 Heckman 两步法。第一步以
[selected] 为选择变量估计 Probit 模型，其中 1 表示 [ ]，
0 表示 [ ]；[Z] 作为排除限制进入选择方程但不进入结果方程，
理论依据为 [ ]。

第二步在被选入样本中估计 [Y] 的结果方程并加入逆米尔斯比 λ。
[X] 的系数为 b = [ ]（HC1 SE = [ ]，[星号/显著性阈值]）；
[若已另行取得并验证，可补写 X 的精确 p = [ ]。]
λ = [ ]（SE = [ ]，表注精确 p = [ ]）。结果方程 N = [ ]，
选择前总样本量为 [ ]。

λ 的结果用于描述当前选择模型下的样本选择信号，不被解释为
排除限制已经验证，也不据此自动赋予 [X] 因果含义。

常见问题 FAQ

Q1：只要担心内生性就该用 Heckman 吗？

不是。Heckman 针对结果样本的非随机选择；反向因果、测量误差等问题需要其他设计。

Q2：一定要有排除限制吗？

从识别与说服力看，应有只影响选择、不直接影响结果的理论变量。仅依赖 Probit 非线性通常很弱。

Q3：IMR 显著说明修正成功了吗？

不说明。它提示选择项与结果相关，但模型设定、排除限制和估计不确定性仍需审查。

Q4：没有 selected 列怎么办？

当前实现可在 Y 存在选择性缺失时以“Y 是否可观测”构造选择机制；若 Y 无缺失，应使用真实选择指示，而不是人为制造缺失。