第六讲要点.doc

第六讲 (第三章 第五节) 联立方程计量经济学模型（二）；参数估计 §6.1 联立方程模型的单方程估计方法 单方程估计方法主要解决的是联立方程模型系统中每一个方程中的随机解释变量问题，同时尽可能地利用单个方程中没有包含的、而在模型系统中包含的变量样本观测值的信息，没有考虑模型系统方程之间的相关性对单个方程参数估计量的影响。 常用的单方程估计方法有间接最小二乘法、工具变量法和二阶段最小二乘法。它们遵循共同的原则是： 设法消除结构方程式由内生解释变量引起的解释变量与随机误差项相关的现象； 在估计某个结构方程时尽可能地利用该方程中未包含的变量提供的信息； 仍然以最小二乘法原则为该心。 可以证明，间接最小二乘法、二阶段最小二乘法、狭义工具变量法，都是工具变量法的特例。 一、工具变量法（IV） 工具变量方法（Instrumental Variables）是一类估计方法的统称。 工具变量法的思想，就是要找到一种变量替代方程右端解释变量中的内生变量，使之符合OLS方法的要求，然后仍然应用OLS方法去估计方程。 工具变量的选取 对于联立方程模型 (6.1.1) 的每一个结构方程，例如第1个方程，可以写成如下形式： (6.1.2) 由于解释变量包含与误差项相关的内生解释变量，所以OLS法失效。 选择为工具变量的变量必须满足以下条件： 与所替代的随机解释变量高度相关； 与随机误差项不相关； (3) 与模型中其它解释变量不相关，以避免出现多重共线性。 用这些变量去替代模型方程右端的内生变量，结构方程将满足O LS应用假设条件。这些变量起了“工具”的作用。 ⒉ 工具变量法的参数估计值 原模型的矩阵形式： 参数估计量为： 其中 详细内容，见P122。 工具变量法估计量的统计特征 工具变量法参数估计量，一般情况下，在小样本下是有偏的，但在大样本下是渐近无偏的。如果选取的工具变量与方程随机误差项完全不相关，且估计值的分布集中在真实的结构参数附近。证明从略。 二、间接最小二乘法(ILS) 联立方程模型的结构方程中包含有内生解释变量，不能直接采用普通最小二乘法估计其参数。但是对于简化式方程，正如在关于简化式模型概念介绍中提到的，可以采用普通最小二乘法直接估计其参数。 间接最小二乘法（Indirect Least Square）只适用于恰好识别的结构方程的参数估计，因为只有恰好识别的结构方程，才能从参数关系体系中得到唯一一组结构参数的估计量。 一个简单的例子 现有一个联立方程模型，其结构式模型为： (6.1.3) 现欲估计第1个结构方程的参数，可以证明，该方程是恰好识别的，可以采用间接最小二乘法。该方程中有两个内生变量，相应的简化式方程为： (6.1.4) 应用普通最小二乘法，在样本数据的支持下对每个简化式方程分别估计其参数，得到参数估计量。将简化式代入第1个结构方程，得到参数关系体系 由简化式参数估计量，计算得到结构参数估计值 3. 间接最小二乘法参数估计的统计性质 对于简化式模型应用普通最小二乘法得到的参数估计量具有线性、无偏性、有效性。通过参数关系体系计算得到结构方程的结构参数估计量在小样本下是有偏的，在大样本下是渐近无偏的。 间接最小二乘法也是一种工具变量方法 可以从数学上严格证明，采用间接最小二乘法估计结构方程等价于一种工具变量方法。 这是一个重要的结论。关于它的数学证明见《计量经济学—方法与应用》第126—128页。 三、二阶段最小二乘法(2SLS) 在实际的联立方程模型中，恰好识别的结构方程很少出现，一般情况下结构方程都是过度识别的。 二阶段最小二乘法(Two Stage Least Squares)是一种既适用于恰好识别的结构方程，又适用于过度识别的结构方程的单方程估计方法，由Theil和Basmann分别于1953年和1957年各自独立提出，是一种应用最普遍的方法。 第一阶段，利用简化式（解释变量与随机误差项无关）估计所有内生解释变量。对简化式方程第一次使用普通最小二乘法。 第二阶段，在所估计方程中，对作为解释变量的内生变量，用其在第一阶段得到的估计值替代。此时，方程已不存在与随机解释变量，故可以再次使用最小二乘法。 这样得到的参数估计量即为原结构方程参数的二阶段最小二乘估计量。 二阶段最小二