计量经济学联立方程模型

计量经济学联立方程模型第一页，共二十五页，编辑于2023年，星期一第9章联立方程模型

9.1联立方程模型的概念9.2联立方程模型的分类（结构模型，简化型模型）9.3联立方程模型的识别9.4联立方程模型的估计方法（两段最小二乘估计的EViews操作

）9.5案例第二页，共二十五页，编辑于2023年，星期一9.1联立方程模型的概念（第2版236页）（第3版203页）有时由于两个变量之间存在双向因果关系，用单一方程模型就不能完整的描述这两个变量之间的关系。有时为全面描述一项经济活动只用单一方程模型是不够的。这时应该用多个方程的组合来描述整个经济活动。从而引出联立方程模型概念。联立方程模型定义：对于实际经济问题，描述变量间联立依存性的方程体系。内生变量：由模型内变量所决定的变量。外生变量：由模型外变量所决定的变量。前定变量：包括外生变量、外生滞后变量、内生滞后变量。例如：

yt=0+1yt-1+0xt+1xt-1

+utyt为内生变量；xt为外生变量；yt-1,xt,xt-1为前（预）定变量。第三页，共二十五页，编辑于2023年，星期一

9.1联立方程模型的概念联立方程模型必须是完整的。所谓完整即“方程个数内生变量个数”。否则联立方程模型是无法估计的。联立方程模型的最大问题是E(X'u)0，当用OLS法估计模型中的方程参数时会产生联立方程偏倚，即参数的OLS估计量是有偏的、不一致的。第四页，共二十五页，编辑于2023年，星期一

9.2联立方程模型的分类

⑴结构模型（structuralmodel）：把内生变量表述为其他内生变量、前定变量与随机误差项的方程体系。例：如下凯恩斯模型（对数据中心化处理，不出现截距项）

ct=1yt+ut1

消费函数，行为方程

It=1yt+2yt-1+ut2

投资函数，行为方程

yt=ct+It

+Gt

国民收入等式，定义方程其中，ct

消费；yt

国民收入；It

投资；Gt

政府支出。1,1,2称为结构参数。模型中内生变量有三个ct，yt，It。外生变量有一个

Gt。内生滞后变量有一个

yt-1。Gt,yt-1

又称为前定变量。因模型中包括三个内生变量，含有三个方程，所以是一个完整的联立模型。内生变量与外生变量的划分不是绝对的，随着新的行为方程的加入，外生变量可以转化为内生变量；随着行为方程的减少，内生变量也可以转化为外生变量。（第2版238页）（第3版204页）第五页，共二十五页，编辑于2023年，星期一

⑵简化型模型（reduced-formequations）：把内生变量只表示为前定变量与随机误差项函数的联立模型。仍以凯恩斯模型为例其简化型模型为，9.2联立方程模型的分类

其中ct，yt，It为内生变量，yt-1,Gt为前定变量，ij,(i=1,2,3,j=1,2),为简化型参数。（第2版241页）（第3版207页）用矩阵符号表示上式

Y=X+v

第六页，共二十五页，编辑于2023年，星期一⑵简化型模型（reduced-formequations）（第2版241页）（第3版207页）简化型模型Y=X+v第七页，共二十五页，编辑于2023年，星期一

⑵简化型模型（reduced-formequations）（第2版242页）（第3版208页）第八页，共二十五页，编辑于2023年，星期一9.3联立方程模型的识别（identification）例：关于粮食的需求供给模型如下，

Dt=0+1Pt

+u1

(需求函数)

St=

0+1Pt

+u2

(供给函数)

St=Dt

(平衡条件)其中Dt需求量，St供给量，Pt价格，ui,(i

=1,2)

随机项。当供给与需求在市场上达到平衡时，Dt=St=Qt（产量），当用收集到的Qt，Pt样本值，而无其他信息估计回归参数时，则无法区别估计值是对0，1的估计还是对

0，1的估计。从而引出联立方程模型的识别问题。第九页，共二十五页，编辑于2023年，星期一显然为区别需求与供给曲线应进一步获得其他信息。例如收入和偏好的变化会影响需求曲线随时间变化产生位移，而对供给曲线不会产生影响。所以带有收入信息的这些观测点就会描绘出供给曲线的位置。也就是说供给曲线是可识别的。同理耕种面积、气候条件等因素只会影响供给曲线，不会对需求曲线产生影响。需求曲线就是可识别的。可见一个方程的可识别性取决于它是否排除了联立模型中其他方程所包含的一个或几个变量。称此为识别反论。9.3联立方程模型的识别第十页，共二十五页，编辑于2023年，星期一

在模型的需求函数和供给函数中分别加入收入变量It和天气变量Wt，

Dt=0+1Pt

+2It+u1

(需求函数)

St=

0+1Pt

+2Wt+u2

(供给函数)

St=Dt

(平衡条件)于是行为方程成为可识别方程。也可以从代数意义上讨论识别问题。当结构模型已知时，能否从其对应的简化型模型参数求出结构模型参数就称为识别问题。从上面的分析已知，当一个结构模型确定下来之后，首先应考虑识别问题。如果无法从简化型模型参数估计出所有的结构模型参数，称该结构模型是不可识别的。如果能够从简化型模型参数估计出所有的结构模型参数，就称该结构模型是可识别的。当结构模型参数与相对应的简化型方程参数有一一对应关系时，结构模型参数是恰好识别的。9.3联立方程模型的识别（第2版244页）（第3版210页）第十一页，共二十五页，编辑于2023年，星期一

（第2版第247页）（第3版第213页）举例说明。上模型写为，Qt=0+1Pt

+2It+u1Qt=

0+1Pt

+2Wt+u2有6个结构参数。相应简化型模型为Qt=10+11

It+12Wt+vt1

Pt=20+21

It+22Wt+vt2

如果对于简化型模型来说，有些结构模型参数取值不惟一，则该结构模型是过度识别的。由此可见识别问题是完整的联立方程模型所特有的问题。只有行为方程才存在识别问题，对于定义方程或恒等式不存在识别问题。识别问题不是参数估计问题，是估计的前提。不可识别的模型则不可估计。识别依赖于对联立方程模型中每个方程的识别。若有一个方程是不可识别的，则整个联立方程模型是不可识别的。9.3联立方程模型的识别第十二页，共二十五页，编辑于2023年，星期一（第2版第249页）（第3版第214页）9.3联立方程模型的识别可识别性分为恰好识别和过度识别。识别方法：阶条件（ordercondition）不包含在待识别方程中的变量（被斥变量）个数（联立方程模型中的方程个数–1）阶条件是必要条件但不充分，即不满足阶条件是不可识别的，但满足了阶条件也不一定是可识别的。秩条件（rankcondition）待识别方程的被斥变量系数矩阵的秩

=（联立方程模型中方程个数

–1）秩条件是充分必要条件。满足秩条件能保证联立方程模型内每个方程都有别于其他方程。识别的一般过程是（1）先考查阶条件，因为阶条件比秩条件判别起来简单。若不满足阶条件，识别到此为止。说明待识别方程不可识别。若满足阶条件，则进一步检查秩条件。（2）若满足秩条件，说明待识别方程可识别，但不能判别是属于恰好识别，还是过度识别。对此还要返回来再次利用阶条件作判断。（3）若阶条件中的等式（被斥变量个数=方程个数–1）成立，则方程为恰好识别；若阶条件中的不等式（被斥变量个数>方程个数–1）成立，则方程为过度识别。第十三页，共二十五页，编辑于2023年，星期一

例：某结构模型为，

y1=12y2+11x1+12x2+u1

（恰好识别）

y2=23y3+23x3+u2

（过度识别）

y3=31y1+32y2+33

x3+u3

（不可识别）试考查第二个方程的可识性。由于结构模型有3个方程，3个内生变量，所以是完整的联立方程模型。对于第2个方程，被斥变量有3个y1,x1,x2，（方程个数–1）=2。所以满足阶条件。结构模型的系数矩阵是，9.3联立方程模型的识别第十四页，共二十五页，编辑于2023年，星期一9.3联立方程模型的识别第十五页，共二十五页，编辑于2023年，星期一9.3联立方程模型的识别第十六页，共二十五页，编辑于2023年，星期一

9.4联立方程模型的估计方法

简化型模型可用OLS法估计参数。由于简化型模型每个方程只含有一个内生变量且为被解释变量。它是前定变量和随机项的唯一函数。方程中解释变量都是前定变量，自然与随机项无关。所以用OLS法得到的参数估计量为一致估计量。对于结构模型有两种估计方法。一种为单一方程估计法，即有限信息估计法；只考虑被估计方程的参数约束问题，而不过多地考虑方程组中其他方程所施加的参数约束，因此称为有限信息估计方法。另一种为方程组估计法，系统估计法，即完全信息估计法。在估计模型中的所有方程的同时，要考虑由于略去或缺少某些变量而对每个方程所施加的参数约束。因此称为完全信息估计法.显然对于联立方程模型，理想的估计方法应当是完全信息估计法，例如完全信息极大似然法（FIML）。然而这种方法并不常用。因为①这种方法计算工作量太大，②将导致在高度非线性的情况下确定问题的解，这常常很困难，③若模型中某个方程存在设定误差，这种误差将传播到其他方程中去。对于联立方程模型常用的估计方法是单一方程估计法。常用的单一方程估计法有①间接最小二乘法（ILS），②工具变量法（IV），③两段最小二乘法（2SLS），④有限信息极大似然法（LIML）。第十七页，共二十五页，编辑于2023年，星期一ILS法只适用于恰好识别模型。具体估计步骤是先写出与结构模型相对应的简化型模型，然后利用OLS法估计简化型模型参数。因为简化型模型参数与结构模型参数存在一一对应关系，利用

=-1

可得到结构参数的唯一估计值。ILS估计量是有偏的，但具有一致性和渐近有效性。当结构方程为过度识别时，其相应简化型方程参数的OLS估计量是有偏的，不一致的。采用ILS法时，简化型模型的随机项必须满足OLS法的假定条件。vi

N(0,

2),cov(vi,vj)=0,cov(xi,vj)=0。当不满足上述条件时，简化型参数的估计误差就会传播到结构参数中去。9.4联立方程模型的估计方法

（第2版第253页）（第3版第217页）第十八页，共二十五页，编辑于2023年，星期一2SLS法。对于恰好识别和过度识别的结构模型可采用2SLS法估计参数。2SLS法即连续两次使用OLS法。使用2SLS法的前提是结构模型中的随机项和简化型模型中的随机项必须满足通常的假定条件，前定变量之间不存在多重共线性。以如下模型为例作具体说明。

y1=1y2+1x1+u1

y2=2y1+2x2+u2

其中ui

N(0,i2),i=1,2;plimT

-1(xiuj)=0,（i,j=1,2）；E(u1u2)=0。9.4联立方程模型的估计方法

（第2版第256页）（第3版第220页）第十九页，共二十五页，编辑于2023年，星期一9.4联立方程模型的估计方法---2SLS法第二十页，共二十五页，编辑于2023年，星期一例9.7：天津市宏观经济联立方程模型（1978-2000数据，file:li-9-7）消费方程：Ct=0+1Yt+2

Ct-1+u1t投资方程：It=0+1Yt-1+u2t收入方程；Yt=Ct+It+Gt其中：Ct

消费；Yt

国民生产总值；It

投资；Gt

政府支出。联立方程模型的两段最小二乘估计点击主功能菜单上的Objects键，选NewObject功能，（第2版第260页）（第3版第224页）第二十一页，共二十五页，编辑于2023年，星期一选择System，并在NameofObject处为联立方程模型起名（