第九章 联立方程.pptVIP

对联立方程模型系统而言，已经不能用被解释变量与解释变量来划分变量，而将变量分为内生变量和外生变量两大类。 内生变量是模型中本身决定的变量，也就是说它的取值是模型系统内决定的。如C Y 外生变量不是由模型系统内决定的变量，也就是说它的取值是由模型系统外部决定的。例如 I 前定内生变量是专门指由联立方程系统中内生变量的滞后期而形成的变量。前定内生变量只能作为联立方程系统中的解释变量。 在联立方程系统中有时把外生变量、前定内生变量统称为前定变量 例如 犯罪率与警察部门规模 三、联立方程偏倚 联立方程模型的最大问题是解释变量与随机误差项相关。由于这一问题导致OLS所得参数估计式是有偏的、不一致的，称之为联立方程偏倚 结构型的一般形式 结构型模型举例 简化的凯恩斯宏观经济模型为： 其中 为消费， 为收入，它们是内生变量； 是作为外生变量的投资； 为随机扰动项。 可表示为： 结构型模型的特点 其参数表现了解释变量对因变量的直接影响，可直接分析解释变量变动对因变量的作用，但由于存在联立方程偏倚，系数估计面临困难。 说明结构式模型具有经济分析的意义，而缺乏经济计量的意义。 由于简化式模型中作为解释变量的变量中没有内生变量，可以采用普通最小二乘法估计每个方程的参数，所以它在联立方程模型研究中具有重要的作用。 首先估计简化式参数，然后可以计算得到结构式参数。应用这种方法前，要满足一个条件，那就是“模型是可识别的” （三）递归型模型 递归型模型：第一个方程中解释变量只包含前定变量；第二个方程中解释变量只包含前定变量和前一个方程中的内生变量；第三个方程中解释变量只包括前定变量和前两个方程的内生变量；依此类推，最后一个方程内生变量 可以表示成前定变量 和 个内生变量的函数。 特点： 每个模型都满足随机扰动与解释变量不相关的基本假定，不会产生联立方程组的偏倚性，可逐个用OLS法估计其参数 递归模型是联立方程组模型的特殊形式，模型中事实上没有变量间互为因果的特征，所以不是真正意义上的联立方程模型 由于结构式模型存在联立偏倚的问题，无法用OLS进行估计，只有简化式模型才能进行OLS估计，但为了分析经济的结构，最终我们必须由简化式模型得出的估计量导出结构式模型的参数。 这就涉及联立方程模型的识别问题。 联立方程模型的识别 例1：恰可识别 例2：过度识别 在本例中，有7个待估结构系数，却有8个简化系数，无法确定唯一的结构系数 例3：不可识别 练习 识别的一般步骤是先考查阶条件，因为阶条件比秩条件判别起来简单。若待识别方程不满足阶条件，则待识别方程是不可识别的。识别到此为止。若待识别方程满足阶条件，则进一步考察秩条件。如果秩条件得到满足，说明待识别方程是可识别的。否则，是不可识别的。 一、递归模型与普通最小二乘法 对于第二个方程，解释变量中包含外生变量与内生变量Y1和随机扰动项u2,由于假定随机扰动项之间无关，所以Y1 和u2也是不相关的，因此也可以应用最小二乘估计。 与此类似，根据随即扰动项互不相关，所以可以对递归模型中的每一个方程应用最小二乘法。 由此可以看出供给函数是恰好识别，而需求函数是不可识别。 间接最小二乘法结果 P = 72.3091 + 0.0043*X （1） Se 9.2002 0.0010 T值 7.8595 4.4104 R2 = 0.493047 Q = 84.0702 + 0.0020*X （2） Se 4.8960 0.0005 T值 17.1712 3.7839 R2 =0.4172 课本练习 第二阶段回归： 将 带入货币供给函数中的Y1，对 模型 利用OLS估计 SE 31.5747 0.0094 T值 1.0960 65.5743 如果直接利用最小二乘估计 EVIEWS操作 在主菜单上选择 Estimate Equation， 输入 Y2 C Y1 在Equation Settings中Method，选择TSLS，进入 Equation Specification, 在instrumen