第十一章联立方程组模型研讨.ppt

* 联立方程模型识别的秩条件的例子 假如，设定的联立方程模型为： 由给定方程组模型写出其结构型模型的标准形式： * 由前面给出的判别条件，可以知道： （1）消费函数方程1是不可识别的 （2）投资函数方程2是恰好识别的 （3）税收函数方程3是过度识别的 变量 方程1 1 0 0 0 方程2 0 1 0 0 方程3 0 0 1 0 0 方程4 0 -1 -1 1 0 -1 0 * 模型识别的一般步骤和经验方法 * 经验方法 模型的识别不是统计问题，而是模型的设定问题，因此在设定模型时就应设法尽量保证模型的可识别性。 一般应遵循以下原则： “在建立联立方程结构型模型时，要使新引入的方程中包含前面已引入的每一个方程都不包含的至少1个变量（内生变量或前定变量）；同时，要使前面已引入的每一个方程都包含至少1个新引入方程未包含的变量，并要互不相同。” * 因为只有新引入的方程包含前面每一个方程都不包含的至少一个变量，才能保证不破坏前面已有方程的可识别性。而且，只有前面每一个方程都包含至少一个新引入方程所未包含的变量，才能保证新引入的方程是可识别的。 * 第三节 联立方程模型的估计 本节基本内容: ●联立方程模型估计方法的选择 ●递归模型的估计——OLS ●恰好识别方程的估计——ILS ●过度识别方程的估计——TSLS ? * 一、联立方程模型估计方法的选择 模型参数的估计方式应考虑以下因素： 1.从研究目的考虑参数估计的方式 （1）若是为了经济结构分析，检验经济理论 ——应力争准确估计结构型参数 （2）若为了评价政策、论证政策效应 ——应力争准确估计简化型参数（反映“政策乘数”、“效果乘数”） （3）若只是为了预测 ——直接估计简化型参数即可 * 2.模型的识别条件 对于递归型模型 —— 直接用OLS法 对于恰好识别模型——用间接最小二乘法、 工具变量法 对于过度识别模型——用二阶段最小二乘法、 三阶段最小二乘 对于不足识别模型——不能估计其结构型参数 3.考虑数据的可用性和计算方法的复杂性 * 二、递归模型的估计－OLS 递归模型中各内生变量之间的联系只是单向的，都满足OLS基本假定，实际没有联立方程偏倚问题 ，可以直接按顺序逐个方程用OLS估计 * 三、恰好识别模型的估计 ——ILS 基本思想： 恰好识别模型通过简化型参数可以唯一确定结构型参数。显然，可以先用OLS法估计简化型参数，然后求解出结构型参数，即间接最小二乘法（ILS）。 估计步骤： ●先将结构型方程变换为简化型方程 ●用OLS法估计简化型参数 ●从简化型与结构型参数的关系式求解结构型参数 * ●简化型参数的估计是无偏的（小样本），并且 是一致估计式（大样本） ●结构型参数估计在小样本中是有偏的（因结构 型参数与简化型参数是非线性系），但在大样 本中是一致估计量（可证明） ●结构型参数不是完全有效的，即一般不具有最 小方差 间接最小二乘估计的特性 * 基本思想： 由结构型方程变换得到的简化型方程的一般形式为 ? 精确分量 随机分量 四、过度识别方程的估计——TSLS * ●用OLS法估计出简化型参数 ，可以由 计算出 精确分量的估计值 ●由简化型方程估计的 与结构型方程中的随机扰动项 不相关，但作为精确分量， 与 高度相关，可用 替代作为解释变量的 ，然后对变换以后的结构方程用OLS 法估计其参数 二阶段最小二乘法实际是用 作为 的工具变量 * ●结构方程必须是可以识别的 ●结构型方程误差项必须满足OLS基本假定 ●结构方程中的所有前定变量不存在严重的多重共线性 ●样本容量足够大 ●运用二阶段最小二乘法时应关注简化型模型的可决系数 二阶段最小二乘法的假定条件 * 商品需求与价格的模型，商品的需求量 受商品的价格 和消费者的收入 等因素的