《东北财大高铁梅课件第12章_1联立方程估计与模拟》由会员分享，可在线阅读，更多相关《东北财大高铁梅课件第12章_1联立方程估计与模拟（53页珍藏版）》请在金锄头文库上搜索。
1、1,第十二章 联立方程模型的估计与模拟,本章讲述的内容是估计联立方程组参数的方法。包括最小二乘法LS、加权最小二乘法WLS、似乎不相关回归法SUR、二阶段最小二乘法TSLS、加权二阶段最小二乘法W2LS、三阶段最小二乘法3LS、完全信息极大似然法FIML和广义矩法GMM等估计方法。 在估计了联立方程组的参数后就可以利用不同的解释变量值对被解释变量进行模拟和预测。,2,12.1 联立方程系统概述,迄今为止我们讨论的都是单一方程的经济计量模型。单方程计量经济模型是用单一方程描述某一经济变量与影响该变量变化的诸因素之间的数量关系。所以，它适用于单一经济现象的研究，揭示其中的单向因果关系。但是，经济现
2、象是极为复杂的，其中诸因素之间的关系，在很多情况下，不是单一方程所能描述的那样简单的单向因果关系，而是相互依存、互为因果的，这时，就必须用一组方程才能描述清楚。我们称这些经济现象为经济系统。,3,经济系统并没有严格的空间概念。国民经济是一个系统，一个地区的经济也是一个系统，甚至某一项经济活动也是一个系统。例如我们进行商品购买决策，由于存在收入或预算的制约，在决定是否购买某一种商品时，必须考虑到对其他商品的需求与其他商品的价格，这样，不同商品的需求量之间是互相影响、互为因果的。那么，商品购买决策就是一个经济系统。 联立方程系统就是一组包含未知数的方程组。利用一些多元方法可以对系统进行估计，这些方
3、法考虑到了方程之间的相互依存关系。,4,以一个由国内生产总值(除掉净出口)（Y）、居民消费总额（C）、投资总额（I）、政府消费额（G）和短期利率（r）等变量构成的简单的宏观经济系统为例，如果政府消费额和短期利率由外部给定，并对系统内部其他变量产生影响，就国内生产总值、居民消费和投资来讲，是互相影响并互为因果。居民消费和投资取决于国内生产总值，但反过来又影响国内生产总值。所以就无法用一个方程描述它们之间的关系，就需要建立一个由多个方程组成的方程系统。,5,例如，可以建立如下的模型： （12.1） 其中，前两个方程是行为方程，第三个方程表示国内生产总值在假定进出口平衡的情况下，由居民消费、投资和政
4、府消费共同决定，是一个衡等方程，也称为定义方程。这就是一个简单的描述宏观经济的联立方程模型。,6,12.1.2 变 量 在联立方程模型中，对于其中每个方程，其变量仍然有被解释变量与解释变量之分。但是对于模型系统而言，已经不能用被解释变量与解释变量来划分变量。对于同一个变量，在这个方程中作为被解释变量，在另一个方程中则可能作为解释变量。对于联立方程系统而言，将变量分为内生变量和外生变量两大类，外生变量与滞后内生变量又被统称为前定变量。,7,内生变量是具有某种概率分布的随机变量，它的参数是联立方程系统估计的元素，内生变量是由模型系统决定的，同时也对模型系统产生影响。内生变量一般都是经济变量。外生变
5、量一般是确定性变量。外生变量影响系统，但本身不受系统的影响。外生变量一般是经济变量、条件变量、政策变量、虚拟变量。滞后内生变量是联立方程模型中重要的不可缺少的一部分变量，用以反映经济系统的动态性与连续性。在联立方程模型（12.1）中，C, I , Y 为内生变量，外生变量G，r 和滞后内生变量Ct-1，It-1一起构成前定变量。,8,12.1.3 结构式模型 根据经济理论和行为规律建立的描述经济变量之间直接关系结构的计量经济方程系统称为结构式模型。联立方程模型（12.1）就是一个结构式模型。在结构方程中，解释变量中可以出现内生变量。将一个内生变量表示为其他内生变量、前定变量和随机误差项的函数形
6、式，被称为结构方程的正规形式。具有g个内生变量、k个前定变量、g个结构方程的模型被称为完备的结构式模型。在完备的结构式模型中，独立的结构方程的数目等于内生变量的数目，每个内生变量都分别由一个方程来描述。 一般的联立方程系统形式是： (12.2) 这里yt是一个内生变量向量，xt是外生变量向量，ut可以是序列相关的扰动项向量。估计的任务是寻找参数向量 的估计量。,9,12.1.4 参数估计方法 EViews提供了估计系统参数的两类方法。一类方法是单方程估计方法，使用前面讲过的单方程法对系统中的每个方程分别进行估计。第二类方法是系统估计方法，同时估计系统方程中的所有参数，这种同步方法允许对相关方程
7、的系数进行约束并且使用能解决不同方程残差相关的方法。 虽然利用系统方法估计参数具有很多优点，但是这种方法也要付出相应的代价。最重要的是在系统中如果错误指定了系统中的某个方程，使用单方程估计方法估计参数时，如果某个被估计方程的参数估计值很差，只影响这个方程；但如果使用系统估计方法，这个错误指定的方程中较差的参数估计就会“传播”给系统中的其它方程。,10,这里，应该区分方程组系统和模型的差别。模型是一组描述内生变量关系的已知方程组，给定了模型中外生变量的信息就可以使用模型对内生变量求值。 系统和模型经常十分紧密地一起使用，估计了方程组系统中的参数后可以创建一个模型，然后对系统中的内生变量进行模拟和
8、预测。,11,12.2 建立和说明系统 为了估计联立方程系统参数，首先应建立一个系统对象并说明方程系统。单击Object/New Object/system或者在命令窗口输入system，系统对象窗口就会出现，如果是第一次建立系统，窗口是空白的，在指定窗口用文本方式输入方程，当然也包含了工具变量和参数初值。 12.2.1 建立方程组 使用标准的EViews表达式用公式形式输入方程，系统中的方程应该是带有未知参数和隐含误差项的行为方程。例如，含有两个方程的系统是这样的：,12,这里使用了EViews缺省系数如c(1)、c(2)等等，当然可以使用其它系数向量，但应事先声明，方法是单击主菜单上Obj
9、ect/New Object/Martrix-Vector-Coef/Coeffient Vector。 在说明方程时有一些规则：,13,规则1 方程组中，变量和系数可以是非线性的。可以通过在不同方程组中使用相同的系数对系数进行约束。例如： y=c(1)+c(2)*x z=c(3)+c(2)*z+(1-c(2)*x 当然也可以说明附加约束，例如有如下方程： y=c(1)*x1+c(2)*x2+c(3)*x3 若希望使c(1)+c(2)+c(3)=1，则可以这样描述方程： y=c(1)*x1+c(2)*x2+(1-c(1)-c(2)*x3,14,规则2 系统方程可以包含自回归误差项（注意不能有M
10、A、SAR或SMA误差项），每一个AR项必须伴随系数说明（用方括号，等号，系数，逗号），例如： cs=c(1)+c(2)*gdp+ar(1)=c(3), ar(2)=c(4) 我们可以为每个方程赋予相同的AR系数值，使得系统中所有方程得到相同的自回归项，或者分别为每个方程赋予其自己的系数来估计每一个不同的自回归过程。 规则3 如果方程没有未知参数，则该方程就是恒等式，即定义方程，系统中不应该含有这样的方程，如果必须有的话，应该先解出恒等式将其代入行为方程。,15,规则4 方程中的等号可以出现在方程的任意位置，例如： log(unemp/(1-unemp)=c(1)+c(2)*dmr 等号也可以
11、不出现，只输入没有因变量的表达式，例如： (c(1)*x+c(2)*y+4)2 此时，EViews自动地把表达式等于隐含的误差项。 规则5 应该确信系统中所有扰动项之间没有衡等的联系，即应该避免联立方程系统中某些方程的线性组合可能构成与某个方程相同的形式。例如，方程组中每个方程只描述总体的一部分，方程组的和就是一个恒等式，所有扰动项的和将恒等于零。这种情况下则应放弃其中一个方程以避免这种问题发生。,16,12.2.2 系统估计 创建和说明了系统后，单击工具条的 Estimate 键，出现系统估计对话框，在弹出的对话框中选择估计方法和各个选项：,17,12.2.3 系统估计方法,EViews将利
12、用下述方法估计方程组系统的参数。系统中方程可以是线性的也可以是非线性的，还可以包含自回归误差项。 下面的讨论是以线性方程所组成的平衡系统为对象的，但是这些分析也适合于包含非线性方程的系统。若一个系统，含有M个方程，用分块矩阵形式表示如下： (12.3) 这里yi是T 维向量，Xi是Tki 矩阵，i是ki维的系数向量，i=1, 2,.,M，误差项u的协方差矩阵是 MTMT 的方阵V。我们简单的将其表示为： (12.4),18,在标准假设下，分块系统残差的协方差阵为： (12.5) 式中算子表示克罗内克积(Kronecker Product)，简称叉积注，有的模型残差方差的结构不满足标准假设。首先
13、，不同方程的残差可能是异方差的，但是他们不同期相关， (12.6) 注 设A=(aij)nm , B=(bij)pq ，定义A与B的克罗内克积(简称叉积) 为 显然，AB 是 npmq 阶矩阵，是分块矩阵，其第 (i , j) 块是aij B 。,19,其次，不同方程除了异方差还可能是同期相关的。我们定义MM 的同期相关矩阵，它的第i行第j列的元素ij = E(uit , ujt ) ，如果残差是同期不相关的，若 ij，则ij = 0，如果残差是异方差且同期相关的，则V 可以写成： (12.7) 最后，更一般的情况是不同方程存在异方差、同期相关的同时，每个方程的残差存在自相关。最一般的残差的方
14、差矩阵应写成： (12.8) 这里，ij 是第i个方程和第j个方程的自相关矩阵。,20,一、普通最小二乘法（Ordinary Least Squares , OLS） 这种方法是在联立方程中服从关于系统参数的约束条件的情况下，使每个方程的残差平方和最小。如果没有这样的参数约束，这种方法和使用单方程普通最小二乘法估计每个方程式是一样的。 在协方差阵被假定为 时，最小二乘法是非常有效的。 的估计值为： (12.9) 估计值的协方差阵为： (12.10) 其中，s 2系统残差方差估计值。,21,二、加权最小二乘法(Weighted Least Squares , WLS) 这种方法通过使加权的残差平
15、方和最小来解决联立方程的异方差性，方程的权重是被估计的方程的方差的倒数，来自未加权的系统参数的估计值。如果方程组没有联立约束，该方法与加权单方程最小二乘法产生相同的结果。 加权最小二乘法的估计值为： (12.11) 其中 是V 的一致估计, sii 是残差方差的估计值， (12.12) 系数协方差阵的估计量为： (12.13) 当残差不存在同期相关和序列相关而只存在异方差时，加权最小二乘法是有效的，并且方差的估计是一致的。如果方程不存在异方差，加权最小二乘法和普通的最小二乘法估计的结果是一样的。,22,该方法也称作多元回归法，既考虑到异方差性也考虑到不同方程的误差项的相关性。对联立方程协方差阵
16、的估计是建立在对未加权系统的参数估计基础上的。注意到因为EViews考虑了联立方程间的约束，所以可以估计更为广泛的形式。 当方程右边的变量X全部是外生变量，残差是异方差和同期相关的，误差协方差阵形式为V=IT 时，使用SUR方法是恰当的。系数 的SUR估计值： (12.16) 这里 是元素为sij 的 的一致估计。,三、似乎不相关回归(Seemingly Unrelated Regression , SUR),23,四、方程含有AR项 如果第 j 个方程含有AR项，EViews估计下面方程： 这里，j 是独立的，但方程之间存在同期相关，EViews把上两个方程联合成一个非线性方程： (12.17) 每次迭代时，EViews第一步迭代用非线性最小二乘法并计算出 ，然后构造出 的估计，元素为： 运用非线性广义最小二乘法（GLS）完成估计过程的每次迭代，直到估计的系数和加权矩阵全都收敛
