经典计量经济学模型教学要点和难点.ppt

单方程估计方法按其方法原理分类 一类以最小二乘为原理，称其为经典方法。例如： 间接最小二乘法（ILS, Indirect Least Square） 两阶段最小二乘法(2SLS, Two Stage Least Squares) 工具变量法（IV, Instrumental Variables） 一类不以最小二乘为原理，或者不直接从最小二乘原理出发。例如： 以最大或然为原理的有限信息最大或然法(LIML, Limited Information Maximum Likelihood) 仍然应用最小二乘原理、但并不以残差平方和最小为判断标准的最小方差比方法(LVR, Least Variable Ration) 系统估计方法： 三阶段最小二乘法(3SLS, Three Stage Least Squares) 完全信息最大或然法(FIML, Full Information Maximum Likelihood) 单方程估计方法只解决上述第1、2个问题，系统估计方法才能解决所有问题。 4、3种单方程估计方法的等价性 对于恰好识别的结构方程，采用IV、ILS和2SLS估计，估计结果应该是等价的。 关于等价性的证明是十分重要的。 如何证明？ 首先证明它们都是工具变量方法； 然后将它们的估计结果分别用工具变量估计量的形式表达； 可以方便地证明它们的等价性。 IV与ILS估计量的等价性 在恰好识别情况下 工具变量集合相同，只是次序不同。 工具变量次序不同不影响正规方程组的解。 2SLS与ILS估计量的等价性 在恰好识别情况下 ILS的工具变量是全体先决变量。 2SLS的每个工具变量都是全体先决变量的线性组合。 2SLS的正规方程组相当于ILS的正规方程组经过一系列的初等变换的结果。 线性代数方程组经过初等变换不影响方程组的解。 5、模型估计理论与实践的脱节—为什么普通最小二乘法被普遍采用？ 实际的联立方程模型的特征： 方程数目多 先决变量数目多 严重的过度识别 小样本 为采用OLS提供了充足的理由。 小样本特性 从理论上讲，在小样本情况下，各种估计方法的估计量都是有偏的。 充分利用样本数据信息 除OLS之外的其它估计方法可以部分地或者全部地利用某个结构方程中未包含的先决变量的数据信息，从而提高参数估计量的统计性质。但是其前提是所有变量具有相同的样本容量。 在实际上变量经常不具有相同的样本容量。 采用先进估计方法所付出的代价经常是牺牲了该方程所包含的变量的样本数据信息。 减少确定性误差传递 确定性误差：结构方程的关系误差和外生变量的观测误差。 采用OLS方法，当估计某一个结构方程时，方程中没有包含的外生变量的观测误差和其它结构方程的关系误差对该方程的估计结果没有影响。 如果采用2SLS方法 … 如果采用3SLS方法… 样本容量不支持 实际的联立方程模型中每个结构方程往往是过度识别的，适宜采用2SLS或3SLS方法，但是在其第一阶段要以所有先决变量作为解释变量，这就需要很大容量的样本。实际上是难以实现的。 采用主分量方法等可以克服这个矛盾，但又带来方法的复杂性和新的误差。 实际模型的递推（Recurred）结构 应用中的联立方程模型主要是宏观经济计量模型。 宏观经济计量模型一般具有递推结构。 具有递推结构的模型可以采用OLS。 6、关于联立方程模型在课程中的地位 经典联立方程模型是经典计量经济学理论体系的重要组成部分。 Trygve Haavelmo的贡献：for his clarification of the probability theory foundations of econometrics and his analyses of simultaneous economic structures“。 Lawrence R. Klein的贡献：for the creation of econometric models and the application to the analysis of economic fluctuations and economic policies“。 GMM的发展与应用可以有效地消除“联立性偏误”。 如果工具变量选择恰当，GMM与2SLS等价。 在特定的研究目的下，并不需要建立庞大的联立方程模型系统。 联立方程模型理论与应用的脱节。 在最近的一些教科书中，联立方程模型理论被压缩。 建议适当减少学时，不作为教学重点。 这就是仅以X2作为解释变量时的参数估计量。 这就是仅以X1作为解释变量时的参数估计量。 由分部回归法导出 如果一个多元线性模型的解释变量之间完全正交，可以将该多元模型分为多个一元模型、二元模型、…进行估计，参数估计结果不变； 实际模型由于存在或轻或重的共线性，如果将它