高级计量经济学系统回归模型.pptVIP

模型识别所需要的额外信息来源 一个有G个内生变量和K个外生变量的联立方程组模型共有G2+G×K个待估计参数，而由简化模型只能得到G×K个参数，因而只有利用其他有关参数的信息才能识别整个系统。 这种额外的信息来源有： 标准化－每个方程都有一个系数等于1 等式－利用理论上的均衡关系 排除－方程中不包括某些变量（系数等于0） 线性约束－利用已知信息对结构模型系数进行限制（有时可以排除虚假的结构关系） * 模型识别所需要的额外信息来源 误差约束－对模型误差项的方差－协方差矩阵进行限制（方程间残差项相关） 例：递归模型 非线性关系－参数间的非线性一方面使分析增加了难度，另一方面则可能有助于解决模型识别问题。 * * 联立方程模型估计问题 由于模型中存在内生的解释变量，因而直接用OLS方法估计联立方程模型中的每个方程，所得到的系数是有偏的和不一致的。 计量经济学家发展了一些可以用于估计联立方程模型的方法，其核心思想是 避开内生解释变量 用其它变量替代内生解释变量 这些方法通常建立在估计量的一致性特点基础上，既适合于大样本情况。 * 情况1：似乎无关的方程组 似乎无关方程组模型并没有将内生变量作为解释变量，但不同方程的内生变量存在概念上的相互联系，或受到共同的外部因素影响，导致方程间误差相关。 以一个由三个方程组成的系统模型为例： 若各方程的误差项相互独立，那么可以用OLS方法分别估计每个方程，并得到参数的无偏估计。 若存在方程间的误差相关，那么OLS方法没有能够有效利用这一信息，所得到的估计结果不是最有效的。 * 情况1：似乎无关的方程组 方程组为： 假定： 并且不同观察值间不存在误差相关，即： * 情况1：似乎无关的方程组 整个系统的方差－协方差矩阵为： 模型参数的GLS估计量为： * 情况1：似乎无关的方程组 SUR是EVIEWS系统估计方法中的选项之一。 该法要求先建立一个系统模型文件： 在菜单中选择Objects-New Object-System 写出系统中所有方程的数学表达式（线性和非线性），包括统计方程和定义方程，所有待估计参数均用向量C依序表示，可以加上方程间的参数限制，在一些情况下需要给出参数的初始值。 在完成这一工作后，在菜单中调用Estimate - Seemingly unrelated Regression-Ok进行估计 由输出结果可以得知每个方程的信息； 可以在菜单中选择Spec来修改系统文件。 * 情况1：似乎无关的方程组 一般地说，由于SUR方法考虑了方程间的误差相关，因而得到的参数估计方差较小。 当所有方程的解释变量均相同时，OLS估计得到的回归系数与GLS估计相同。 方程间误差项相关程度越高，或解释变量X之间的相关程度越低，用SUR方法导致的效率改进就越大。 需要注意的是，若系统中某一个方程存在设定错误，那么利用OLS方法估计仅使该方程估计结果受到影响；而利用SUR方法时，这一错误会使全部方程估计结果都受到影响，因而在模型设定上需要格外仔细。 * 情况2：递归系统模型估计 递归系统(Recursive regression)模型使用内生变量作为解释变量，但具有一种特殊的设定形式。下面是一个由三个方程组成的递归系统模型： 假定有 * 情况2：递归系统模型估计 在结构模型参数已知的条件下，可以由第一个方程解出与给定的Z相对应的Y1，然后利用Y1由第二个方程解出Y2，最后利用Y1和Y2由第三个方程解出Y3。 在假定方程间误差不相关的条件下，后两个方程中的内生变量与误差项不会出现相关（可以由下面的简化式看出），因而用OLS方法分别估计每个方程，所得到的结果是无偏的和一致的。 * 情况2：递归系统模型估计 例：农产品市场蛛网模型 需要注意的是，根据假定，内生变量Y是一个随机变量，因而对于递归系统模型来说，仍存在解释变量测定误差问题。 在实际工作中，由于经济变量很少能够完全满足古典假定要求，通常采用的做法是忽略此问题，也可以采用工具变量法进行估计。 * 情况3：联立方程组模型估计 估计联立方程组模型有多种方法，分别适用于不同的情况，具有不同的优点和问题。 单方程估计： 间接最小二乘法 工具变量法 两阶段最小二乘法 系统估计： 两阶段最小二乘法 三阶段最小二乘法 完全信息最大似然法 * 情况3：联立方程组模型估计(间接最小二乘法) 间接最小二乘法适用于模型为恰好识别的情况，在步骤上首先估计模型的简化式，然后利用得到的参数估计值计算出模型的结构式参数。 例：市场模型 该模型的阶条件为g1＝2，k1＝1，K＝2，两个方程均为恰好识别。 * 情况3：联立方程组模型估计(间接最小二乘法) 上述模型的简化形式为： 即 模型的6个结构参数可以由6个简化式参数计算得出： * 情