第七节、联立方程模型.pptVIP

第七章、联立方程模型 孟祥兰 一、联立方程模型 联立方程模型（multi-equations models) ，又称同时方程模型，它是利用多个方程表达经济变量之间复杂关系的模型。 在这个联立方程模型中，Qt与Pt的取值是由模型内部相互关系所决定的，因此称为内生变量。 而Yt与Tt的取值是由模型外部所决定的，因此称为外生变量。 外生变量影响内生变量，但是外生变量不受内生变量的影响 此外，还有一些在上述模型中没有表示的变量，例如，Qt-1、Pt-1这样的内生变量，由于这些变量的值在t期中是被决定的，因此被称为先决内生变量（滞后内生变量）。 外生变量与先决内生变量合在一起称为先决变量。 内生变量与外生变量的区分并没有绝对的标准，往往是根据分析的目的或者模型涵盖的经济活动范围，由分析者自己决定。但是，需要注意的是，变量的这种区分也是基于经济理论的一种常识。 二、结构型与诱导型 所谓结构型（structural form,s.f) ，是按原样记述由经济理论推导出来的经济变量之间的关系，反映了经济的结构，所以称为结构型。 上述苹果的供给模型（7.1,7.2）式就称为结构型。 结构型中各种关系式称为结构方程式。 所谓诱导型（reduced form,R.F），是指内生变量仅仅由外生变量、先决内生变量、误差项来表现，由于它是由结构型推导出来的，因此称为诱导型。 诱导型中的各种关系式称为诱导方程式，只有内生变量需要设定。 结构型与诱导型的分类也没有绝对的标准，而是根据分析的目的、范围，由分析者自己决定。 下面，我们从结构型方程式（7.1）、（7.2），推导关于内生变量Qt与Pt的诱导型方程式。 三、间接最小二乘法 如果对（7.1）（7.2）这样的结构方程式直接应用普通最小二乘法（OLS）估计出来的参数会出现偏差，理想的统计性质无偏性、一致性都得不到保证。 这种偏差叫做“联立方程偏差” 。 由于它是哈维莫（Havelmo，1989年诺贝尔经济学奖得主）首先提出的，由此又称为“哈维莫偏差“。 联立方程偏差产生的原因在于，由于解释变量中包含内生变量，解释变量与误差项之间出现相关。 因此，如果只用外生变量、先决内生变量来解释左边的内生变量，也就是说只推导诱导方程式，并且对其使用ols估计，联立方程偏差不会发生，问题可以得到解决。 所谓间接最小二乘法（indirect least squares methods,ILS）就是根据这种思想来估计联立方程式的方法。 间接最小二乘法的步骤如下： 步骤一：由结构型推导诱导型。 步骤二：对推导出来的各诱导方程式应用ols分析，并估计诱导型参数。 步骤三：根据诱导型参数，对原先的结构参数进行逆运算。 上述这种利用OLS估计出来的诱导型参数、间接地计算结构参数的方法，就称为间接最小二乘法。 估计出来的诱导型参数，同时满足无偏性与一致性。与此相应的结构参数，不满足无偏性，只满足一致性。 上述“步骤三”中，根据诱导型参数不仅限于计算一个结构参数，有时还要计算两个以上的参数（过剩识别的情况），这是间接最小二乘法的一个较大的弱点。也就是说，间接最小二乘法，只是在研究对象结构方程存在适度识别（参见下一节）的情形下，才有可能利用，因此在实际运用中存在一定的局限性。 四、识别问题 所谓识别问题（identification problem) ，是指根据诱导型参数能否求出结构参数的问题。 关于识别共有下面三种情形： （1）适度识别（just-identifiable） 是指根据诱导型参数只计算一个结构参数的情形。可以应用间接最小二乘法和下面将要介绍的二阶段最小二乘法。 （2）过剩识别（over-identifiable） 是指根据诱导型参数计算两个以上结构参数的情形。 间接最小二乘法不适用，二阶段最小二乘法适用。 （3）无法识别（not-identifiable） 是指根据诱导型参数不能计算一个结构参数的情形。 间接最小二乘法和二阶段最小二乘法均不适用。 各结构方程式是否可以识别的判别条件，分为作为必要条件的阶条件（order condition）和作为充分必要条件的秩条件（rank condition）。 本章只介绍阶条件，而秩条件由于需要行列式的计算，略去不讲。 用于识别的阶条件可以整理如下： K——模型中先决变量（外生变量、先决内生变量）的个数 J——结构方程式中先决变量的个数 H——结构方程式中内生变量的个数 （1）K-J=H-1适度识别 （2）K-J大于H-1过剩识别 （3）K-J小于H-1无法识别 识别问题不是关于估计方法的问题，而是关于建模的问题，如果发现无法识别的结构方程式，为了使其能够识别，需要重新建立模型。 解答：设模型中的先决变量数为K，结构式中的先决变量数为J，结构方程式中的内生变量数为H。 a（