联立方程模型_Image_Marked.pdf

第九章 联立方程模型 前面八章我们着重讨论的是单个方程的回归模型，都是含一个因变量 Y ，一个或多个解 释变量X 。在这些模型里强调的是在给定X 条件下去估计或预测Y 。因果关系很清楚，从X 到Y 。 本章开始我们要详细讨论多个方程的回归模型。在多方程的模型中，单通道单方向的关系 可能不再成立。例如，如果Y 由X 决定，而同时也有若干X 的分量由Y 决定。这时就有了双 通道，或联立关系。这就使得谁是因变量谁是自变量变得暖昧起来。遇到这种情况，最好还是 把它们都放到一块，就有了多于一个的方程，并且变量就分为内生变量、外生变量。这些方程 互相制约，互相补充，人们不大可能从中单独解出某一个或几个方程。如果实在要置别的方程 于不顾而强行用普通最小二乘（Ordinary Least Square, OLS）方法去估计出参数，那么这些 参数估计不仅可能是有偏的，而且可能不是一致性估计，就是说，随着样本容量的增大，参数 估计并不收敛到真实参数值。我们看如下假设的方程组： Y βY +β X +γ +ε （9.0.1） 1 10 12 2 11 1 1i i i i Y βY +β X +γ +ε （9.0.2） 21 1 2i 21 201 2 i i i 这里Y 和Y 互相依赖，是内生变量。X 是外生变量，ε 与ε 是误差项，变量Y 与Y 也都是 1 2 1 1 2 1 2 随机分布项。如果我们不能证明Y 与ε 独立，Y 与ε 独立，就应用 LSE 的话，估计量就不是 2 1 1 2 一致性估计。 这样我们就大致勾画出了联立方程模型的特别之处和需要研究解决的问题。问题的解决方 法其实不复杂，最典型的是二阶段最小二乘法。 二阶段最小二乘法的第一步是分别对各方程原始数据直接回归，并且计算出各因变量的估 Y Y X , n 计值。例如在（9.0.1）式中，取因变量为 ，自变量为 ，它们各有 个观测，作普通 1 2 1 ˆ ˆ ˆ 的最小二乘回归，得到回归系数的估计 , , ；对（9.0.2）也同样回归，得回归系数 β β γ 10 12 11 ˆ ˆ β β γ , , ˆ ；然后我们将回归系数估计值代入到各个方程的右边，就得到因变量的估计值 20 21 21 ˆ ˆ ，它们各有 个值。 Y Y , n