第七章节 联立方程模型.ppt

第八章 联立方程模型 系统估计方法 系统估计方法是对整个模型中全部结构参数同时进行估计的方法。采用系统方法对联立方程模型进行估计，可同时决定所有结构参数的估计值。常用的系统方法有三阶段最小二乘法（3SLS法）和完全信息极大似然法（FIML法）。 模型中一个方程是可识别的必要条件是，该方程所不包含的模型中变量的数目大于等于模型中方程个数减1，即 K－M≥G－1. 其中：K＝模型中的变量总数（内生变量＋前定变量） M＝该方程中所包含的变量数目 G＝方程个数（即内生变量个数） 尽管识别的阶条件只是一个必要条件，也就是说，模型中任何可识别方程必定满足 K－M≥G－1, 但满足该条件的方程则未必是可识别方程。但在实际应用中，为方便起见，人们往往用它来判别一个方程是否可识别，就象用一阶导数是否等于零来判别极值是否存在一样。 经验表明，在绝大多数情况下，这种用法不会有多大问题，但应当明白，毕竟存在着该条件满足而方程不可识别的情况。实践中，应用识别的阶条件进行判别的准则是： 若K－MG－1, 则不可识别; 若K－MG－1, 则过度识别; 若K－M=G－1, 则恰好识别。 上述识别的阶条件是该条件在实际应用中使用最广泛的一种形式，其更一般的表述形式为： 模型中一个方程是可识别的必要条件是，施加于该方程的结构参数上的约束条件的数目大于等于模型中方程个数减1，即 R ≥ G－1 其中：R＝施加于该方程的结构参数上的约束条件的数目 G＝模型中方程个数 显然这种表述形式包含了前一种表述形式，是前者的推广，因为前者仅涉及系数的零约束（不包含某个变量，即其系数为0），而后者则包含了所有形式的约束。 例4. 简单的凯恩斯收入决定模型 对于消费函数，我们有：K=3，M=2，G＝2， K–M=1=G – 1=1，因而恰好识别。 对于收入恒等式， 无需判别识别状态，因为恒等式通常不存在不可识别问题. 2.识别的秩条件 另外一个准则是识别的秩条件（rank condition），这是一个充要条件，陈述如下： 在一个有G个方程的模型中，其中任何一个方程是可识别的充要条件是模型中不包括在这个方程中的所有变量的系数矩阵的秩等于G－1。 考虑一个有g个内生变量和k个前定变量的联立方程模型，其矩阵形式为 其中 是内生变量观测值向量（g×1）, 是前定变量观测值向量（k×1）， 是扰动项向量（g×1）,B是内生变量系数矩阵（g×g），Γ是前定变量系数矩阵（g×k）。 我们假定B是非奇异矩阵，因而能够解出 ，得到： 不难看出，（1）和（2）式分别是模型的结构式和简化式。假定扰动项满足高斯－马尔柯夫定理条件。 为讨论识别问题，不失一般性，考虑（1）中第一个方程，令 为B的第一行， 为Γ的第一行，将这两个向量分成两个分量，分别对应该方程中包括和未包括的变量，我们有 对应 个包括的变量， 对应 个不包括的变量 ，类似地， 对应 个包括的变量， 对应 个不包括的变量 。 现在按照与相一致的划分方式对矩阵B和Γ进行分块，我们有 考虑矩阵 D是对应于未包括的内生变量和前定变量的矩阵。第一个方程可识别的充分必要条件是： Rank（D）＝g－1 此条件亦称为识别的秩条件，与我们在本段开头给出的有关秩条件的文字表述是等价的。 此命题的证明思路是，如果 则表明存在一个非零向量 ，在这种情况下，我们能够找到这g－1个方程的一个线性组合，组合的系数由向量α的元素给出。当此线性组合被加到第一个方程时，就得到一个与线性组合方程统计形式相同的方程，因而不可能识别第一个方程的参数。 应用识别的秩条件，就可以确定所考虑的方程是否可识别，这是阶条件无法做到的。可是，应用秩条件要比阶条件复杂得多，需要计算矩阵的秩，也就是计算大量的行列式。为简化计算，实际应用中可按下列步骤进行： （1）将联立方程模型各方程写成模型中全部变量是