联立方程方法剖析.ppt

第十章 联立方程方法 教师：卢时光 前面我们探讨了联立方程模型的性质、识别性问题。现在我们转向这类问题的参数估计问题。 10.1 估计的方法 考虑一个含有M个内生变量和M个前定变量的联立方程模型。为了估计结构方程，可采用两种方法，即单一方程法，又称有限信息法和方程组法，又称完全信息法。 单一方程法中，我们个别地估计方程组中的每一个方程，仅仅考虑对该方程的约束，而不考虑对其他方程的约束，由此得名有限信息法。 在方程组法中，我们同时地估计模型中的全部方程，适当考虑了因某些变量被排除而对方程组造成的全部约束，由此得名完全信息法。 考虑下述模型，Y为内生变量，X为前定变量： 如果应用单一方程法估计方程3，则仅注意变量Y2和X3被排除在此方程之外。而在方程组法中，则需要同时估计全部4个方程，把全部约束都考虑进来。 为了保持联立方程模型的品质，最理性的方法是应用方程组法，如完全信息最大似然法。然而实际上，这类方法并不常用。因为： 1. 计算上的负担太大。 2. 像完全信息最大似然法这样的系统方法常常导致参数的高度非线性解，难以确定。 3. 如果方程组中一个或多个方程存在设定偏误，则误差将传递到其余方程，其结果是，方程组法变成对设定误差非常敏感。 因此在实践中，常常使用单一方程法。具体说，我们将讨论如下的单一方程方法： 普通最小二乘法 间接最小二乘法 二阶最小二乘法 10.2 递归模型与普通最小二乘法 在前面我们讨论过，在联立方程模型中一般不适用普通最小二乘法，否则将导致估计量是偏误的，且是非一致性的，即不管样本多大，偏误都不会消失。 但是，有一种情形，即使在联立方程的架构中，OLS是适用的。这就是递归（三角形或因果性）模型。考虑一下3个方程的方程组： 如常，Y为内生变量，X为前定变量。干扰项有如下性质： 就是说，不同方程中的同期干扰项是不相关的，专门的术语：零同期相关。 现在，考虑第一个方程。它的左边仅包含外生变量，且按照外生变量与干扰项不相关的假定，所以次方程满足经典OLS的基本假定，可以按照OLS对参数进行估计。 接着，考虑第二个方程。它包含非随机的X，还包含了Y1作为解释变量。如果Y1t和u2t是不相关的话，OLS就可以应用于该方程。答案是肯定的，因为，u2t和u1t是不相关的， Y1t仅和u1t相关，而与u2t是不相关的。这样，我们在估计Y2时，把Y1看做是前定的。 把这个推理再进一步，由于Y1和Y2都不合u3相关，则对于Y3而言，Y1和Y2都是前定的，因此同样适用于OLS。 于是，在递归系统中，OLS可以分别地应用于每一个方程。其实在这种情况下，我们并没有联立的问题。从这种系统的结构看，显然不存在内生变量之间的相互依赖性。比方说，Y1影响Y2，但Y2并不影响Y1；同样，Y1和Y2影响Y3，但反过来并不受Y3的影响。换句话说，每个方程都展现一种单向的因果依赖性，由此得名因果模型。 上图，说明了变量之间存在的因果关系。 10.3 恰好识别方程的估计问题：间接最小二乘（ILS）法 对于一个恰好可识别的结构方程，从诱导型系数的OLS估计值获得结构系数估计值的方法叫做间接最小二乘法（ILS）。 其步骤： 1. 先求得诱导型方程。使得在每一个方程中，应变量成为唯一的内生变量，并且仅仅是前定变量和随机误差项的函数。 2. 对诱导型方程逐个地应用OLS。因为这些方程中的解释变量是前定的并因与随机干扰项不相关，所有适用于OLS，由此得到的估计值是一致性的。 3. 从上一步骤中得到的诱导型系数的估计值求原始方程结构系数的估计值。若方程恰可识别，则结构域诱导系数之间有一一对应的关系，就是说可以从后者导出前者的唯一估计值。 一个例子： 考虑模型： 如前，供给函数是恰可识别的，需求函数是不可识别的。 与结构方程相对应的诱导型方程是： 其中诸Π的诱导型系数，是结构系数和干扰项的组合。 注意到每一个诱导型方程仅含一个内生变量，而这就是方程的应变量，并且仅仅是外生变量X（收入）和随机干扰的函数，由此知道上述诱导型方程可由OLS来估计。这些估计值是： 如常，小写字母表示离差。最小二乘估计量是最小偏差、无偏或渐近有效的。 由于我们的目的是为了定出结构系数，供给函数是恰可识别的： 这样，这些参数的值可以从诱导系数的估计值计算出来： 这些就是ILS估计量。 利用下表中数据，得到： 利用上述结果，得到ILS： 得到结构系数的估计值： 所估计的供给函数： 为了比较，给出直接应用OLS的结果： 结果表明，直接应用OLS所得到的结果显然“歪曲”了真实的情况。 10.4 过度识别方程的估计：二阶段最小二乘法（2SLS） 考虑如下模型： 变量X1和X2是外生变量。 上