第六章联立方程组模型sk.pptVIP

第六章 联立方程组模型 Simultaneous Equations Models 第一节基本介绍 一，古典回归中我们假设解释变量x和干扰项是不相关的，本章我们将放开这一假设。 在现实中，x和μ不相关的假设很难维持，此时需要联立方程组模型来解决。 最典型的例子是需求和供给函数模型。 假设需求函数为： q= α +βp + μ 需求的变动分两种情况：沿着需求曲线的变动及需求曲线的移动（changes along the demand curve and shift of the demand curve),前者是由于价格的变动导致的，后者是影响需求的其他因素变化时所导致的，例如收入的增加时，会导致需求曲线向右移动，反之则向左移动。 在需求函数模型中，影响需求变化的其他因素如收入、偏好及其他商品价格等均包括在干扰项中。 当影响需求的其他因素变化时，μ会发生变化，从而导致需求曲线的移动 一般情况下，需求的变动会根据供给曲线的形状的不同而产生不同的结果 几种变化 q D2 S D1 p1 p2 p q D1 D2 S p1 p2 p q S D1 D2 p 前两个图中，即当供给曲线为向上倾斜以及水平时，影响需求的因素变化，例如收入增加时，干扰项发生变化，需求曲线向右移动，我们发现价格也因此发生了变化。 表明干扰项和解释变量不是不相关的 因此, 供给曲线的形状对需求的研究具有重要的作用，研究需求函数时，也要将供给函数一起考虑进去，这样的模型就是联立方程组模型。 二，联立方程组中的标准化问题 例如在上面的需求函数中，q= α +βp + μ 也可以写成 p= α +βq + μ, 分别将上面两个模型称为以q和p为标准化的方程。 有时，两个方程不能互换。互换的条件是β 和β不能等于零 三，内生变量和外生变量 联立方程组模型中变量被分为两类：一类是 内生变量（Endogenous Variables),即由模型决定的变量，也被称为联合决定变量。另一类是外生变量(Exogenous Variables),是由外部因素决定的变量，也叫事先确定变量，因此和误差项是不相关的。 例如： 需求函数模型：q=a1+b1p+c1y+ μ1， 供给函数模型：q=a2+b2p+c2R+ μ2， q为数量，p为价格，y为收入，R为降雨，其中y、R为外生变量，q、p为内生变量 第二节联立方程组模型的识别问题 一，所谓识别问题指联立方程组模型的参数是否可以估计，如果通过一定的方法得到参数的一致估计量，就称该方程是可以识别的。如果能得到参数唯一的一组估计值，我们称其是完全可识别的。如果得到不止一组估计值，称之为过度识别。无法得到参数的估计值时，称为不可识别。下面我们介绍判断联立方程组模型是否可识别的几种方法。 间接最小二乘法（Indirect Least Squares，ILS) 使用前面的例子： 需求函数模型：q=a1+b1p+c1y+ μ1， 供给函数模型：q=a2+b2p+c2R+ μ2， 将上述模型中p和q来分别Y和R表示，求解得到： q =(a1b2-a2b1/b2-b1)+(c1b2/b2-b1)y-(c2b1/b2-b1)R+误差 p=(a1-a2/b2-b1)+(c1/b2-b1)y-(c2/b2-b1)R+误差 最初的需求函数和供给函数模型被称为结构方程（Structural equations) 根据标准化的方程被称为约简方程（Reduced –form equations) q=Π1+Π2y+Π3R+v1