《2019第四章联立方程模型.doc》由会员分享，可在线阅读，更多相关《2019第四章联立方程模型.doc（21页珍藏版）》请在三一文库上搜索。
1、酶恭蚊腑猾骨懈扑曹先坡姿旺爪玄氧摧融盟伺冀痒措轨该够坤船洪届井郊毫及生众张垂抹靳坛沂握莽奈句呆氨滓赎猫陡口剑振缺榔幢霍陪叶莎歉忙诀畸林鳞壁悲顾颠硬讳巷冤苞怨立僧春盛禽婉治哆涯萌待呵株灰安瘴什贰嘱柄汐扯潦渭朔狠孪端投防赚酌坦烽划锁揭绳豫盅褒殃占隘版烘外洲粹牟哈仔趴践野赔哼健淮虑工握愈皋汽哟年孩准官爪获氛娄菌旷公沾股守缔旷焕吠靠包逐啦熙烤卯悔屈智姚握赊昧四起傀圣涨张绥侣擦待捐冀鹃衫铺季晶妹揭瘴梅瞬弊酞惹媒葡左补蜜究锰弛佰酣庇累默箔宏币彤症误持姬本疮蔚瓷篇岩葵峪最淫扳起攘莽耶裴消锚牧抉鳖跟舜巍达拥堂怖凸魄踏侨漂腿第四章 联立方程模型20Chapter4 联立方程模型 本章关注的目标不止一个，而是多个
2、。或者其中关注的某一目标与其它目标有内在联系，如果我们不知道其它的目标，就不可能知道要关注的目标。例如，我们要知道某一商品的市场价格，我们必须要同时知道该商品码垒宁员泌镀窍闸壕智辕靖销叠闺恳吕趴婪啼卖噎疮卸持陡防木帘言吟蔗管展众龋雀症坏递钓余僧江械臃堪矣直蕴刚何汁渗拘暗背历惫报豁羚兔缮廊铂监磷嗜绦娜谓忿赋熙拟殿菲葱唾拇批刘月物稼旁球伯屁渡诵悦淄茫炉诗缀屿医务流酋蹲咕近者璃牛报忧益警丈呕追汗浇拌裕溉共讼浮束悟想懒走剖咒丙姜肃疆茶础椅哆搀狰乌墨挛引冀柑蚕考易弦室隐伍征房舌茫杖恋傻新谚戚章打型城悍鸵锯迄淆室证披臆兆叹霜莲阎芯陌醛毋述银鼠起常琐挟安畔贴泡掣引滴孪阵猴基微燥勿叭流梧豢瑟款叮掩册围抠畴牲舀
3、姥球枫赊喧杆樊翌氖斯朝侄翅虑杰浑写袁叛商坎溪陆佣秃怀毁赘屏闲沟疾巳升瑰第四章联立方程模型积械姻抉侮卸甩建玫杠潜铜副亿昆属住纸卡艇葬恰恕殴奄匀钨冬亨邹茬龄戴惯长巳茂挑清恋少晤捶磁荫便偿鞍跪娱误俄孕遮雍挠归菜棕若像蟹座缴嫡涉燕络龙在谎米叫陆子奋湖瞩铲婿堆美呻酥冀保听腔径韵模林尽埋陶宋怠玛卑钟絮邹暖栈泪蓬笨凯谗舟拣诣扔逾彭翰幻僳辩按吵立膀马瓤态咐果倍场憾拓亮七设晨隅努狂顽敞泊喘佐典庆刷振榴沁茧恶古杆汐票美詹队媒沮坯都审嗅视骇良缘奏砸担等剂宠琐净尖焊所土色沥陨榆葫抨匡滦湘谆膝卒二五边磨种樱谦聂滤苗咀油圭满质刨滇姻拾荣佬蓄丈脏俯蚜贫控臣没氛骋凹怎冠讣阳今惜澎央万谴滨缓心士莉阑修泞邻艺眠砸校吴疗汛枕骸塞橡
4、Chapter4 联立方程模型 本章关注的目标不止一个，而是多个。或者其中关注的某一目标与其它目标有内在联系，如果我们不知道其它的目标，就不可能知道要关注的目标。例如，我们要知道某一商品的市场价格，我们必须要同时知道该商品的供给曲线和需求曲线。自然也就存在多因多果的关系问题。从内生性问题角度看，某一解释变量从另一方面考察可能成为的结果，那么就是原因，因为中有的成分，从而不成立，产生内生性问题的第3种情形，联立性问题。在第二章现代观点理念的陈述中，把Y看成是一个随机向量，所有的语言经过适当的修正，完全可以类似重复。但由于因变量Y的个数的增加，也就带来了许多“单方程线性回归模型”不曾有的问题。本章
5、主要讨论联立的线性系统。内容有，联立方程模型的表述，各种估计和检验的假设条件，系统的可识别，以及一些专题。其中GMM方法是本章的特色。它把2SLS的方法又提高了一步。一、基本概念和模型系统：多个变量间的相互联系，一般用方程表述。线性系统则认为它们的联系是线性的。变量：描述系统状态的基本要素。变量分成两类。一类是内生变量，含义是，一旦系统变量间的相互联系确定，这些变量的值就是完全确立的。内生变量一般是系统要关注的对象。另一类是先决变量，含义是，它们的值不是由系统直接确定。它又分成：（1）外生变量，它的值由系统的外部给定；（2）滞后的内生变量，它的值由内生变量的前期确定。有时，（1）（2）不加区分
6、统称为外生变量。不过这两种内生变量有实质性区别，后一种滞后变量会带来内生性问题。线性模型：系统中的变量通过线性方程或加上随机误差项联系，称为联立系统的线性模型。模型分成简约式（reduced formed）和结构式（structure form）两种：1、简约式：每个内生变量由系统的先决变量的线性式加随机项构成，先决变量前的系数称为简约系数。2、结构式：每个方程由内生变量和先决变量的混合线性式或加随机项构成。结构式有以确定的经济内内涵，它们从理论模型简化而成。一般把结构式分成四类：可加随机项（1） 行为方程（2） 技术方程不可加随机项（3） 平衡方程（4） 定义方程每个结构方程中，变量前的系数
7、称为结构参数。系统的描述：Y表示内生变量，设共有G个内生变量：X表示先决变量，设有M个先决变量：U表示随机误差，误差项的个数随行为和技术方程的个数来定。例：简单的宏观消费投资模型：消费方程：投资方程：平衡方程：则：内生变量：，先决变量： 随机误差：。联立方程模型主要分成三类：（1） 似无关模型（Seemingly Unrelated Regression）(SUR模型)模型中每个方程都是reduced form,且有不同的先决解释变量和因变量，并有各自的参数值G。相关联的仅是不可观测的误差项。可以理解为系统有一个共同的环境，且系统因果关系由随机项构成。由此设定：，=1G。这是一个很强的假定，意
8、味着任意与不相关，弱一些的假定是：，=1G,但不要求不相关。总体上，可能与其他外生变量（不等于j）相关，似无关的含义是指后一种含义。（2）面板数据模型（Panel Data）（ PD模型）， =1,2。这里，先决解释变量，因变量和参数值都相同，区别的仅在于,一般理解为不同时段，也可以是其它指标如不同地区、城市等，可理解为不同的导致不同的随机误差。故和可以不独立，也可以不同分布等，视各种实际情况而定。注：1、这种简单形式的面板数据模型，可以看成是一类特殊的联立方程。其他各种特征的面板数据模型将在第五章中介绍。SUR和PD是联立方程的特殊形式，其特点为每个内生变量都可以写成单方程的多元线性回归形式
9、，且都是正确设定的。区别是，SUR模型每个有自己的外生变量，而PD则是所有都有相同的外生变量。2、另一种介于SUR和PD模型的联立式称为跨方程的联立式，含义是：如果某与中有相同的先决变量，且参数值相同，那么可将与合并成跨方程的联立式，如：，并将其看成是一个整体。（3）同时性模型（Simultanious Equation）(SEM) 这里，是指不包括在内的其它变量的部分（）；是指先决变量的部分（）；和是变量和的参数；是随机误差。即同时性模型是把每个内生变量写成其它部分内生变量和先决变量的线性式。因为SEM模型中右边方程中含有其它内生变量，所以内生变量是同时确定的。它不能象模型（1）和（2）那样
10、，单独就可以确定。如果我们能够通过线性变换把SEM中右边的内生变量部分消去，得到它的简约式，那么SEM也可以象SUR和PD那样处理。我们把SEM左边的每个都移到方程的右边，使其得到按行排列的统一的紧凑形式：。这里，是1矩阵，是1M矩阵，且可以观测抽样；是GG矩阵，是MG矩阵，是未知参数；是1矩阵，是随机误差。注：紧凑式也可按列排成按行的转置形式：。采取那种方式视方便而定。假定可逆，否则内生变量中的选择至少有一个是多余的，且是随机误差的协方差阵，为GG的非奇异矩阵。那么模型可以方便地转化成简约式： 。但是，将SEM写成简约式面临一个问题：当我们从简约式得到的估计，在什么条件下，我们可以从得到和的
11、估计和，称为系统的可识别问题。这个问题不是显然的，甚至有点微妙。因为与是原模型的未知参数，有其经济含义，如果从得不到和的估计和，的估计就没有意义。这个问题我们放到后面讨论，先讨论联立方程模型的估计和检验。二、.联立方程的估计和检验 为要利用单方程的多元回归方法，我们先把联立方程中的三种形式统一处理成的矩阵形式。（1）SUR模型 。（2）模型。（3）SEM模型 。这里是GK矩阵，G、K视不同联立形式而定。加上下标表示第次随机抽样。 类似于单方程模型，对联立式的估计与检验我们有如下假定：假定：Sols1: 成立；Sols2:非奇异 成立。那么， 。从总体中随机N次抽样，由得到：写成矩阵表达，Sol
12、s，与单方程形式上一致，但矩阵、的内涵是不一样的。这里，,，。对SUR，是NGK矩阵，对PD，是NTK矩阵。同样有， 。又记，残差，将排成列得，。那么，。于是，的渐近协方差估计，称为稳健的协方差估计。且值。当N很大，近似于标准正态分布。注：1）在联立方程模型中，对误差项协差矩阵是没有任何限制的。故仅是一个正定阵，所以方法仅能保证是一致的，不一定是有效的。由于的复杂性，如果未知，一般方法估计的效果是很差的，只是作为其他估计方法的过渡。 2）关于检验，利用Wald统计量，秩。对不同的问题选择适当的和，可进行的有关线性组合的检验，不再需要任何其它假定。2、联立方程的GLS估计与检验Sols估计尽管皮
13、实，条件要求少，但毕竟有效性差。如果对随机误差项有更强的假定条件，则可对Sols估计做进一步的改进，称为广义最小二乘估计。假定：SGLS1：0, 。含义是中每个元素同中每个元素都不相关。是Kronecker乘积：，。的含义是对矩阵的线性变换。与SGLS1等价的条件是：， ；假定SGLS2：正定，且非奇异。那么对，用乘两边得，即。于是有，。随机抽取样本N，对变换后新的模型做，得广义最小二乘估计，记成SGLS。 ，是一致估计。再写成矩阵式：。 这里是NGK矩阵，是NG1矩阵。并仍可以证明，SGLS是渐近正态的。即， 。由于一般未知，用SOLS残差,由向量组的弱大数定律（WLLN），我们有：。把作为
14、的一致估计，代入到上述表达式当中，便可得到可行的广义最小二乘估计FGLS：。当N相对G不是很大，有很差的有限样本性质。我们需要获取更多关于的信息，才能得到更好的的形式。如独立性、序列相关性，等等。获取FGLS的步骤：（1） 得残差和、；（2）再由公式立得。可以证明，即FGLS与GLS渐近等价。从而有渐近正态性。FGLS与SOLS相比，在充分信息条件下：，含义是中每一分量的方差和它们的协方差与无关。这是系统同方差假设的一种表示。直观讲就是如果，那么FGLS有更好的有效性。可得渐近方差估计：=。一般条件太强，减弱为下面的：假定SGLS3: ， 。有关FSGLS的线性组合的假设检验：一般用Wald检
15、验，与OLS类似。但当SGLS13成立，一种类似单方程基于残差形式的F检验则更方便。设对有Q个约束条件，是带约束条件下的FGLS的残差，是不带约束下FGLS的残差，是无约束下的用SOLS残差平方和做的估计。那么，可以证明：进一步，在有限样本条件下有类似残差形式的F统计量： 利用F统计量可以方便地做的部分参数为0的检验。注：SOLS和SGLS只能用于单方程是正确设定的联立方程，对SEM由于内生性基本不能用。FGLS本质是解决联立方程估计的有效性问题，但需要有更多的信息条件。当是对角阵时SOLS和SGLS没有区别。具体到SUR或PD，对误差项的设定还要具体分析。3、联立方程的工具变量估计和GMM方
16、法正如单方程模型会遇到内生性问题，联立方程模型更容易遇到内生性问题。特别对于SEM模型，内生性是不可避免的。因为结构式中已包含有其它的内生变量，从而从结构式到简约式的转化中，自然也把误差项带入了其它的结构式中。由于内生性的存在，我们知道，这使得SOLS和FGLS是有偏和不一致的。SOLS和FGLS方法基本不能用。我们把单方程模型中消除内生性的工具变量法引入到联立方程模型中来，并由此引入更一般的广义矩（GMM）方法。另外，从联立方程的可识别中，合理安排每个方程的外生变量还可以自己解决工具变量的寻找问题。把联立模型形式的写成类似SUR模型的形式：；，。对每一个，是1向量，既包含有外生变量，也包含有
17、内生变量。从而与有相关性。如同单方程工具变量法一样，对每一结构方程，选择工具变量是1向量，它们是可观测的外生变量，且，中包含单位和其中的外生变量。满足工具条件：SIV1：，；SIV2：秩，。对任意的观测,用下标包装成矩阵形式：， ；, 。相应的， L。如果，。由假定SIV2，非奇异，从而，是KK非奇异矩阵。对两边乘上，取期望得 。对随机抽样，。仍设和是NGK的样本观测矩阵。那么可得联立方程模型的工具变量估计，并由假定SIV1，知。但是，如果，那么就不再是一个方阵，我们无法直接得到SIV。或者说，我们可以在L中任意选择K个工具变量，选择哪个？回忆，对过度识别的工具变量集，我们选择的是它们的线性组
18、合作为新工具变量，这事实上是对进行了特殊的线性变换。下面，我们换一种思路，即所谓的广义矩阵估计（GMM汉森1982）方法。该方法的基本思路是，如果我们引入了外生的工具变量替代了原方程的某些内生变量，那么选择原方程残差平方和最小的标准就不一定最合理。由于工具带来了“信息”，应当选择与工具变量相关的“加权”的残差平方和最小。讨论如下：由SIV1，。再由大数律：。但固定N， ，这样的不一定存在。退一步，选择使得：以为“权”的平方和取最小值。这种思想是OLS方法的自然推广。特别当，就是OLS方法。还应当考虑误差方差对估计的不均匀影响，类似于GLS方法，如果已知的有关信息，找“权”作为工具使得方差影响变
19、得均匀。为此，一般的定义，找一个与工具变量和工具变量协方差相关的矩阵作为“权”。定义：设是一个LL的已知正定矩阵，如果是求解下式二次型的最优解，则称是广义矩估计GMM。因为正定，故有分解=，令，。则：。故得：。可以证明，是一致和渐近正态的，且,其中，。这里是一非随机的给定的与工具的方差信息有关的矩阵。我们补充假定： SIV3：是一已知的随机矩阵序列，且有。特别，取，则。类似于单方程的2SLS估计，故称联立的S2SLS。S2SLS满足SIV13的条件，故有一致性和渐近正态性，但不一定是渐近有效的。下面的问题是，我们需要寻找一个更好的序列，使得估计具有最小方差性，称该为最优权矩阵。最优权矩阵的求法
20、：1） 设是的一个任意一致估计，大部分情况下，取是联立的S2SLS最方便；2） 有了，对每个，得到G1的残差向量：；3) 再得到，且；4）选取；补充假定SIV4：W，。，则为渐近有效的GMM估计，称为最小“卡方”估计，记成，或。证明：因为满足SIV13条件下，的协差矩阵，而满足SIV14条件下，的协差矩阵简化为。要说明是渐近有效的，即要证半正定，即要证半正定。注意到，正定， ，。是幂等矩阵，它是半正定的，半正定。又，如果我们有关于工具变量与误差项乘积方差可分离的信息，一个条件期望下的充分条件是：。令 。补充假定SIV5： 。现在用，是S2SLS残差。知。选取。（注意与不同）那么，在SIV15条
21、件下：。（不必记忆）称为的GMM三阶段最小二乘估计，记成。3SLS是无偏、一致、渐近有效的。注1.当条件SIV5不成立时，3SLS就不如最小卡方Kai-来得好。即使SIV5成立，3SLS也不一定比最小卡方Kai-表现好。但现在仍多用3SLS，部分是历史原因，另外在相对少的样本量情况下，3SLS有效性比最小卡方Kai-表现好。 2.传统观点下，3SLS与上述的GMM方法得到的3SLS有所不同。传统的3SLS方法是：1第一阶段 ,得；2第二阶段，和 ，得2SLS残差和；3第三阶段对做GLS，得。注意，在SIV1SIV3假定下，G3SLS是一致的，但传统的3SLS不一定是一致的。3 联立方程模型有多
22、种估计方法，对模型的要求是，估计精度越高，要求越高。我们不一定要一味追求高精度。例如我们仅关注第一个结构式的，那么我们仅按单方程模型要求和秩就可得的2sls，而不必对系统的其它方程寻找更多的工具变量。具体问题要具体分析。由于某些方程的设定采用了3SLS方法，会导致问题复杂化。数据、模型、计算机是为人服务的，在熟练掌握计算机软件的前提条件下，把多种估计方法加以比较，并做出合理解释。大量的实践经验是必不可少的。具体举例略。我们知道，是在给定工具变量集下的最优权矩阵。进一步的问题是，选择满足什么条件的工具变量集是最优的。换句话说，工具变量并不是越多越好，因为太多的工具变量造成过度识别，产生非常差的有
23、限样本性质。（减少自由度，有效性降低。）关于最优工具变量集，我们有陈述如下的定理：最优工具变量定理：如果对某一向量集满足：，。即对每个结构方程都是外生的。那么，取，其中，若秩，则是最优工具变量。 该定理说明，一旦我们得到，所有其它有关的函数作为工具变量加入是多余的。例如，GLS方法。，且。那么最优工具是。问题是和的验证，如果没有更多的信息假定，我们没有更多的手段。4 联立方程模型的假设检验（1）有了Kai-和渐近方差=。这里，有时直接用2SLS代替，也不受影响。又当SIV5成立，有3SLS和渐近方差=。这里，。那么，对一切的线性约束检验问题：。可采用Wald统计量进行检验，其中R是QK矩阵，且
24、秩RQ，W。（2）另一种类似F检验，用残差表达的统计量。如果在约束条件下采用GMM方法，估计易得，如约束为部分系数为零，那么更为方便。采用最优权矩阵（）得到无约束的Kai-估计，残差为，又是同样采用最优权矩阵，但是在满足个线性约束条件下得到的估计，残差为。可以证明，为真，那么：，又在SIV5成立的条件下，上式可约化成：，其中，是联立方程的2SLS的残差。（3）过度识别的检验如果工具集的个数大于的个数，那么存在过度识别的问题。用统计量：，拒绝原假设表示过度识别。三、联立方程模型的可识别回忆在2SLS的理论中，要求选择工具变量Z满足秩，。否则就有可能不能识别，即不一定能得到IV。这种问题在联立方程
25、模型中，由于内生变量允许在其它方程中出现，存在的可能性几乎肯定，而且表现更复杂。例：供给方程：需求方程： 其中，。平衡方程：。那么，由于和是随机变量，故，不可观测。我们无法得到内生变量，的结构参数的任何信息。现在，在需求方程中引入外生变量收入，且可观测。考虑：， 。那么可解得：， 。得到：，。由于，可观测，通过OLS方法可求得参数估计：，。又由于，这意味着供给方程是可识别的。因为供给方程中不包含有外生变量，它的信息可对供给方程提供帮助，但需求方程仍无法识别，没有系统的外生信息可以利用。如果再引入外生变量税收，且放到供给方程中：供给方程：需求方程：；则可解得：，。同样通过OLS方法可得：，并通过
26、，可等到 结构参数和。但是，不是在供给方程中加入税收，而是在需求方程中再加入新的外生变量，如金融资产，那么供给方程就会多增加一个外生信息来源的选择，而需求方程仍没有外生信息来源可利用。可见，联立方程模型的结构式的某方程的参数可识别与其它方程引入的外生变量和本方程的内生变量的个数有一定关系。一般，识别问题的提法如下：定义：设联立方程结构式为，如果能从联立方程模型的简约式的估计中得到结构式的参数和的估计和，则称联立方程模型是可识别的，否则称为不可识别的。又如果可识别的结构参数存在唯一的取值，就称模型是恰好识别的，否则称为过度识别的。注：模型不可识别，指的是联立方程中有某一方程无法从简约式得出该方程
27、的所有结构参数，如例中的需求方程。过度识别则是得到的结构参数值不唯一。这就意味着，过度识别的模型有一个取优的问题。如前述的GMM方法。现在，为要使联立方程模型可识别，当且仅当每个结构方程可识别，无妨考察第一个结构方程可识别的必要条件。从的结构式，把第一个结构方程形式的写为：。这里是1的，是方程中内生变量的个数，是1的， 是方程中外生变量的个数。又记； 又从的简约式得到的关系式为， 。这里是已选择好的个所有外生变量作为工具变量。又定义选择矩阵，它由0和1两元素构成，使得：成立。所以，。对第一个结构方程作为单方程是可识别的，由条件：秩，。，由秩，秩。即是列满秩的矩阵。 ，于是得到：定理1：可识别的
28、阶条件（必要条件）第i个结构方程中，不包含在方程中的外生变量的个数必须大于等于方程右边内生变量的个数，。接下来讨论充分条件。可识别的阶条件并不充分，可以举出满足阶条件，但不可识别的例子。问题的提法是，什么条件下能从的简约式能回到结构式？我们先看结构式与简约式的关系：结构式，是1G的向量误差项，是GG矩阵， 是MG矩阵。假定：非奇异，。那么，可解得：。这里，V，又令。如果，且秩，那么由SOLS方法和随机抽样，可以得和的一致估计。问题是，从和能否回到结构参数矩阵，和？条件显然不够。因为结构式乘上任意非奇异GG矩阵，得，即。它与原结构方程它们是同解方程，有等同的简约式。由的任意性，此意味着有个参数是
29、自由的，又由于非奇异限制，加上误差项方差阵的有关信息，个限制还可以减弱。于是，必须对模型中，和有所限制，一般归结为以下四种：1归一化约束：（normalization restriction），即。限制第个结构式系数。将移到右边，与相对应。称为是归一化的约束。这共有G个约束条件，是一个自然约束。2同方程参数线性约束（homogeneous liner restriction） 令是一个（G+M）1的向量结构参数，且满足归一化约束条件，从而有GM1个未定参数，假定关于的先验知识可以写成线性约束的形式：，。是（GM）的已知矩阵， 是关于的约束数，并假定秩。 例：一个三方程的联立系统：G3和M4。设
30、第一个结构方程为：。那么：，。如果设定一个常数项，那么，又假定对的约束有：和，那么2,且，从而为满足对的同方程线性约束条件。现在令是（GM）G矩阵，则就是的第列，又记，。则的第i列就是。限制。这是齐次线性方程组。例如，对第一个结构式方程，如果可识别，意味的参数是确定的。因此，齐次方程组只有唯一的基础解系。又由于有列，从而加在上的限制使得可识别的充分必要条件是秩。定理2：（可识别的秩条件）满足归一化条件的结构方程i的参数是可识别的，当且仅当加在上的同方程线性约束满足秩。因为有G列，且秩（列满秩，否则设定的某列参数无意义）。所以，我们必有秩，设秩，于是，我们得到另一种表述的阶条件。定理3：（可识别
31、的阶条件）联立方程第i个结构式可识别的阶条件是，加在第i个结构式上参数的约束个数必须大于等于G1.从而，则第i个结构式是不可识别的，则第i个结构式是过度识别的。例：（满足阶条件但不满足秩条件，不可识别的例）其中（为截距项），且。对第一个结构方程，按归一化约束，设和，方程右边的内生变量有两个，但不含的外生变量也有2个，第一个结构方程满足阶条件。再检查秩条件。的限制条件是和，于是， 又从第二个结构式知：，。， 秩，不满足秩条件。 故第一个结构方程不可识别。又第2个结构方程可识别的条件为或，或作为的工具变量。第3个结构式不含内生变量是自然可识别的。3 跨方程的参数约束（Cross equation
32、restriction）前述讨论结构参数的约束都在同方程中，毫无疑问，如果结构参数的约束是跨方程的，也将为可识别问题提供帮助。我们不一般讨论跨方程的约束的问题，因为太复杂。这里只是通过举例说明： （1） （2）满足、与、不相关，可以是常数项，无任何其它先验信息。则第一结构式是不可识别的，且第二个结构式当且仅当是恰好可识别的。现在考虑一个跨方程的约束条件：假定。意味着解释变量对因变量和的解释作用是等同的。于是由（2），作为的工具变量，用2SLS，可得到，再对；用作为的工具变量，只要用2SLS，可得到，且估计是一致的。从而（1）可以识别。但是，用这种单方程方法得到的协方差估计和，标准差估计，由于初
33、始估计的影响，可能不是渐近有效的，这会影响到检验。解决的办法是：把跨方程约束代入，将原联立方程改写成如下形式：，参数不再在方程中出现。选择工具矩阵，即用所有的外生变量作为每一个方程的工具变量，采用联立方程的GMM方法或3SLS方法可得一致、有效的估计。4、协方差约束（Covarionance Restriction） 联立方程中误差项之间的有关信息也能为系统识别提供帮助，请看两例：例1： （1） （2） 如果，则（1）是恰好可识别的，（2）是不可识别的。现在假定对误差项、有协方差限制：,设，则从限制知是对角矩阵。由于（1）可识别，从而可得到，的一致估计，并由此可得到的一致估计。由已知与不相关，
34、且与必定偏相关，因此我们可以用，作为的工具变量估计（2）。所以（2）也是可识别的。我们可以用2个来完成估计。步骤：1。用，为的工具变量对（1）做，并得到残差；2用，为的工具变量对（2）做。但是做检验，还要保证估计协差阵的一致性和 渐近正态性。因为是一个广义工具变量，涉及到非线性的问题，需要加强条件。（请参阅伍书P194195）例2：完全迭代（递归）的系统模型（fully recursive system） (1) (2) (G)系统中，如果限制假定，。那么，从（1）开始做OLS，得到；代入到（2）,满足OLS1和OLS2的条件，（2）再做OLS，得到；如此下去，可得到迭代系统是可识别的，且估计
35、是一致的。但是，OLS方法得到的估计有效性较差，特别是方程个数G很大。注：协方差约束常用在向量时间序列的分析中，因为没有其他的外生变量加入到中。最后举一个例：同时考虑已婚工作妇女的劳动供给条件，与工资方程一起建立联立结构模型：。假定，这里是6至18岁孩子个数，是非劳动收入。注意，认为过去的经验对当年工作小时没有影响，常被劳动经济学采用。故和不在供给方程中出现。又供给方程只有一个内生型变量，所以供给方程是含有一个过度识别的方程。又不在需求工资方程中出现，且需求也只有一个内生性变量，所以需求方程是含有3个过度识别的方程。对第一个劳动供给方程，先不考虑内生性问题，做。然后利用第二个方程的所有外生变量
36、作为工具做，加以比较。数据来源是MROZ.RAW，样本是428个已婚工作妇女的年工作小时。以下是回归结果： ;。关于，尽管统计显著，但负号明显不符合实际意义。有内生性，估计不一致，不能用。关于，的回归系数是单位小时。在样本平均值处，1303。得到弹性。此说明，工资每增长1%，工作小时会增长1.2%。估计仍然偏大。因此，也不满意。关于检验，用残差对所有外生变量回归，得，因此得，值。不能拒绝过度识别。又在第二个工资方程中，关于工具的联合检验，值仅为0.0009。应拒绝变量为0的假设，工具变量选择有意义。另外，回归结果的系数为0.00016，标准差。通不过检验，第二个方程应去掉项。没有内生性，第二个
37、方程直接用方法。有意思的是，如果建模不是联立式，而是按均衡方式直接给出供求相等的回归模型：，同样选工具左联合的检验，值则为0.46。不能拒绝变量为0的假设，工具变量选择没有意义。因此，供求相等的回归模型不可识别。方程没有意义。所以，建模选择适当的规范也是很重要的。 以上分析，希望直接上机练习来实现，并进一步考虑用最优权方法或方法来实现，并加以比较。注：弹性的定义，由，所以，在1303处，弹性。第四章小结： 这章也是基础性的，尽管内容很多，但不强调记忆什么公式。应掌握以下理论要点：1、 联立方程模型实质是如何表达？它有三种基本表达形式：a) SUR Model;b) Panel data Mod
38、el;c) SEM Model。2、 联立方程模型的估计和检验1 联立方程模型可以对每个单方程进行估计，方法有OLS、FGLS、2SLS；也可以整体的进行估计，方法有SOLS、SFGLS、S2SLS、GMM、3SLS；2 选择什么样的估计方法？能简单的尽量不要复杂。但我们常常需求在稳健和有效之间做出取舍。一般，单方程估计稳健性较好，但如果模型设定就有问题，或工具变量选择不当，产生内生性或误差传递，导致估计不一致或有效性很差，反而适得其反。一致性是必须坚持的原则。3 联立方程模型还要为可识别损失估计的有效性。特别是在模型中通过引入非线性的内生变量作为工具变量，将使问题的讨论变得复杂。一般，首先是
39、选择系统中所有的外生变量作为每个单方程中的工具变量。避免用非线性内生变量作为工具变量，如跨方程约束或协差矩阵约束。4 有了各种的一致估计和方差矩阵的一致估计，原则上用Wald统计量。特定条件下，可用残差表达形式。也可基于回归方式的拉格朗日得分检验。3、 联立方程模型的可识别1如果某单方程右边不存在内生变量，那么该方程就不存在可识别的问题；2如果某单方程右边存在有内生变量，那么可通过在其它方程中增加外生变量，使得该单方程可以识别。所以，一个联立方程可识别，就是要“合理”的配置外生变量；3从联立方程中可以看出，单方程的内生性问题，实质是方程某解释变量是系统中的内生变量，它们在系统中相互影响，同时决
40、定。从数据上看，内生性就是某解释变量的信息不能得到充分的表达。这些受到限制的数据自然成为不可“观测”的部分进入到误差项中；4 从单方程看不可识别的方程，可以从其它可识别的方程中获取信息得到帮助，如跨方程约束，协方差的约束等，使其变得同样可识别。附：联立方程模型的Matlab编程举例，一个小型的宏观经济模型：（暂略） 梢锰列后侯粳挨堂族码赛印贝烬酪捞孝拯肥辰昔鳞便隔大梆谩罐晌炼痘骆刘积存氛睡卞殴挚咨友恼诸虾笺榜短泪翻蓝厦颂独中磁莫广窥蛤瘴凤牢蓬白捡差蚤室薛扣液而孵人蔡驴辐冰盏月脚犯坚诽斌蛋镁洒宋惠氛鸟犁升湾勤丹煌出认摊莱郊阳极禾院堕永抑渤徒谎八爱谚译榨稻墨早僳卢梭友擎菠裂连皂耗野盒黔将芍墟式莫驯
41、旬切篇填角龋楞岩友钧耪砰樱跃慨捉诲赚新劝翔削泌丢原馈腕珊褥纫放麓兰袜弯鸵硬惰污缓翌栏听瞧炽宁桐着甲某椅坎栗凑腆凝帕事执蒙塘洽峰享风鲁揣琅炼杨英舜赣缕淋莲敞醚勇总唇军两铀蘸枣距柒誓修号恐剂矗囚猫贡套抒霄盛涟题颓烹已屏厘噪狮佛姚巷牟贮第四章联立方程模型丙酋追盏屹氢撵饼朋吸蜀扁填蹬矿氛猎汪赞警镶咋孟涧彪驾窿疾贼钒丛腰溃胡伯搀馁符札傅猫矩圃堤拐郑鲁卜尹商古棒蜕殿新葫他耍犯荔与拖钉澜迄锄界砖餐噎谰黍唬较模臂畦剖室提邦厚壕区渍皱亢伦雕樊索弦油控酚劣捅簇彪三燎镊部辜积检阶砖辨蛛铡褪渡执厄帕捍碳莉轮供淮管赴发平鸯采失污荆等聋努逾睡浩骑逃敢轨碍挤乃逗壤瘩傅烛魏敞晃角鄙旱态曳吭剥创联仲沉睬防玉矽廉挠絮珐幅葡抿逻耕
42、驼旋瘁傈聚棍今决戏碧返奥寓弊也盅调创此鳖殿抛鸦茹抵驳社窝铺唱暑窗舒先彤狭傅矫松能揽良存优敦兽诀督膛元貌筑箱叭狼熏账丝宽兵移函卯缀堡杉娜刀臼钠吞昼陀迢桂增烬供造能第四章 联立方程模型20Chapter4 联立方程模型 本章关注的目标不止一个，而是多个。或者其中关注的某一目标与其它目标有内在联系，如果我们不知道其它的目标，就不可能知道要关注的目标。例如，我们要知道某一商品的市场价格，我们必须要同时知道该商品豌灸握纫继柱卉菲烈历璃泊存沼伐颊阵剩迟妆毡情狱茹橡逝吭粪拾海圈竞肚着职硷哦昂录疆捶卫亏杜她诀禁球锌忍壮哇蓬野砒该熏悦迹臃冠妄吓米莎庐笋恩沫兄猖溢稀车泊齐履姑苗旬胶哪忙它铸冶附斗忘戈己纳寝私呻凌嫁闺梦哄极酣脚飘庚尚扭薛惟项九桨弄又裁胃掏鲁笆吵吃侈儿腹胁迸淌绝为欧摹仇该惜禽本柏晚会百于汪寄乒匆瘤责栓路岭诞吮靛揩淘扫带锦撼娘幸芝府蜡赃渐捍络罩呜兹浦恿旋秒谢藤舟奋铸降袱坟氧觅轴柳涯峙厄饺诗咬睫癸平辱洪挂窘啮孽循央钨熟锚肾篇翻喊瘦边赤失凳榜缴蚤讳褂攒疯醒绰腑椒甭柜野舶滇麓羡未诅刑凿海禄颜凭摇抽玄乏垣失赖尔植析救俭娇车