统计学-联立方程模型.pptVIP

联立方程模型 单方程方法 单方程方法是对整个联立方程模型中每个方程分别进行估计的方法。当然，它不同于单方程模型的估计，因为在联立方程模型的情况下，我们还要考虑模型中其它方程对所估计方程的影响，也就是说，要用到整个联立方程模型的某些信息。 应用单方程法对模型中所包含的结构方程逐个进行估计，就会获得整个联立方程模型结构参数的估计值。 常用的单方程方法有间接最小二乘法（ILS法）、二阶段最小二乘法（2SLS法）和有限信息极大似然法（LIML法）。 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）。 一、单方程方法 1． 间接最小二乘法（ILS法，Indirect Least Squares） （1）思路 我们从第一节知道，联立方程模型的简化型是根据模型中的前定变量和扰动项表示每一个内生变量而得到的一组方程。由于简化式方程的解释变量均为前定变量，即外生变量或滞后内生变量，因而与现期扰动项无关。在这种情况下，采用OLS进行估计，将得到简化式系数的一致估计量。估计出简化式系数后，即可导出结构系数的估计值。这就是间接最小二乘法的思路。 在扰动项 满足标准假设条件的情况下，ILS估计量是一致估计量。 （2）具体步骤 （a）首先求出简化式方程； （b）对每一个简化式方程分别施用OLS法，得 出简化式系数的一致估计值； （c）由上一步估计出的简化式系数导出原结构 系数的估计值。 例：估计凯恩斯收入决定模型中的消费函数 解： （1）式的简化式方程为 （3） 即 （4） 我们有 由上述二式，不难得到 估计（4）式，得到π1 和π2的估计值 即可解出结构参数的估计值 （3）ILS法的局限性 应用ILS法的前提是，被估计的结构方程必须是恰好识别的，这样才能保证估计出的简化式系数与原结构系数之间存在着一一对应的关系，以保证可得到结构参数的唯一估计值。 由此可知，ILS仅适用于恰好识别方程的估计。由于这一限制并且用我们下面要介绍的2SLS法估计恰好识别方程，得到的结果与ILS完全一样。ILS法实用价值有限，因此我们在此不作深入讨论。 2、二阶段最小二乘法（2SLS法或TSLS法） （1）二阶段最小二乘法的思路 二阶段最小二乘法是我们在上一章介绍的工具变量法的一个特例。当要估计的方程中包含与扰动项相关的解释变量时，如果能找到恰当的工具变量，则可得到一致估计量。 问题是在联立方程的情况下，如何找到“最好的”工具变量。我们可以考虑模型中的外生变量，它们与我们的内生变量相关（通过联立系统的相互作用），而与扰动项不相关。可是，究竟哪一个外生变量是最好的呢？这是一个很难决定的问题。 二阶段最小二乘法的思路是将所有的外生变量结合起来产生一个复合变量，作为“最佳”工具变量。作法是将在模型中用作解释变量的每一个内生变量对模型系统中所有外生变量回归，然后用回归所得到的这些内生变量的估计值（拟合值）作为工具变量，对原结构方程应用工具变量法。 （2）二阶段最小二乘法的具体步骤 第一阶段： 将要估计的方程中作为解释变量的每一个内生变量对联立方程系统中全部前定变量回归（即估计简化式方程），然后计算这些内生变量的估计值。 第二阶段： 用第一阶段得出的内生变量的估计值代替方程右端的内生变量（即用它们作为这些内生变量 的工具变量），对原方程应用OLS法，以得到结 构参数的估计值。 （3）二阶段最小二乘估计量的性质和优点 由于2SLS估计量 是一个合理的工具变量估计量，因而它是一致估计量。 蒙特卡洛研究表明， 2SLS估计量的小样本性质在大多数方面优于其它估计量，并且相当稳定（即它的好性质对其它估计问题，如多重共线性、误设定的存在不敏感），再加上计算成本低，因此是估计联立方程模型的首选方