资源描述
,单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,*,联立方程组模型的参数估计,一、最小二乘估计及其问题,二、间接最小二乘估计,三、工具变量法估计,四、两阶段最小二乘估计,1,一、最小二乘估计及其问题,可以用普通最小二乘法估计参数的情况：,联立方程组模型的方程没有内生解释变量；,内生解释变量与方程的误差项没有强相关性。,例：递归模型,2,如果联立方程组模型的方程，既非解释变量全部是外生变量或前定变量，也不像递归模型那样解释变量与误差项都没有相关性，那么普通最小二乘估计得到的参数估计量既非无偏的，也不是一致估计。,3,二、间接最小二乘估计,1,、基本思想,对于恰好可识别的联立方程组模型方程，结构式参数与简约式参数有一一对应关系。由于简约式参数不存在内生解释变量的问题，最小二乘估计是有效的。,通过简约式参数的最小二乘估计间接得到结构式参数的估计。这种估计方法称为“间接最小二乘估计”。,4,2,、间接最小二乘估计一般步骤和公式的推导。,设联立方程组模型的结构式为：,化为简约式为：,结构式参数和简约式参数之间的关系为：,或,假设需要估计的结构式方程是恰好可识别的，因此可以采用间接最小二乘法估计参数。,5,（,1,）用最小二乘估计简约式的参数。,以简约式的第,l,个方程为例：,该方程的系数构成行向量,，它的最小二乘估计量为：,6,这些参数估计向量可以合并成下列简约式模型参数的估计量矩阵：,7,（,2,）根据结构式参数与简约式参数的关系解结构式参数的间接最小二乘估计,模型的结构式参数和简约式参数总体上有关系：,第一个结构式方程的参数与简约式参数之间有关系式：,8,因此第一个结构式方程参数的间接最小二乘估计，与简约式参数的最小二乘估计的关系为：,也就是,9,分别由分块矩阵 和,表示 和 。,10,11,12,13,这就是联立方程组模型的恰好可识别方程参数的间接最小二乘估计的一般式。,14,例,假设已经根据20组观测数据计算出如下的二阶矩矩阵,15,求市场供求均衡模型,第一个方程的参数估计。,首先确定,16,市场均衡模型第一个方程三个参数的间接最小二乘估计向量 ：,根据这些参数估计，得到该方程的回归直线为：,17,三、工具变量法估计,（一）用例子说明联立方程组模型参数的工具变量法估计：,一个三方程联立方程组模型为,18,找到合适的工具变量 ：选择与 相关性较强的 作为估计第一个方程参数的工具变量。,根据工具变量法估计公式，第一个方程的参数的工具变量法估计为,的工具变量法估计则为,19,（二）推导工具变量法估计的一般公式,仍然设估计联立方程组模型的第一个方程，并设它是一个过度可识别的方程。,该方程用与单方程多元线性回归分析相似的观测向量方程可表示为,20,将工具变量观测矩阵 代入工具变量法估计公式,可以得到：,21,例 ：若联立方程组模型为,并已根据,50,组观测数据计算到二阶矩矩阵,估计第一个方程中的参数 和 。,22,若用 作为工具变量，可得第一个方程的工具变量法估计：,即两个参数的工具变量法估计分别为,：,23,四、两阶段最小二乘估计,阶段一：寻找理想工具变量,阶段二：用第一个阶段找到的工具变量进行工具变量法估计 。,（一）利用下面的方程说明两阶段最小二乘估计的思路和方法，仍然讨论其中过度可识别的第一个方程的参数估计。,24,作为工具变量，比 和 都理想。,根据这种思路先估计 的简约式方程：,得到最小二乘估计回归方程：,25,把 作为工具变量对第一个方程进行工具变量法估计，得到 的两阶段最小二乘估计为：,26,方程中的常数项仍可用通常的方法估计：,27,（二）联立方程组模型参数两阶段最小二乘估计的一般公式,设一般联立方程组模型的第一个方程是过度可识别的。,设方程的观测向量方程形式为,28,这个方程中出现的 以外的内生变量的简约式观测向量方程形式为,对它们分别作最小二乘估计，得：,因此这些内生变量的估计量为：,29,它们可以合并为：,用 代替第一个方程中的 ，得到,30,再对该方程运用普通最小二乘估计，得到两阶段最小二乘估计,这就是两阶段最小二乘估计的一般公式。,31,例,：以上一个例子的模型和相关数据二阶矩矩阵为例，求第一个方程两个参数的两阶段最小二乘法估计。,首先，用最小二乘法估计第一个方程的内生解释变量 的简约式参数，得到,32,因此 对全体前定变量的回归直线为：,33,两阶段最小二乘估计的公式为,根据数据的二阶矩矩阵，公式中的各个二阶矩数值分别为：,34,35,由两阶段最小二乘估计的公式，可得该模型第一个方程参数 和 的最小二乘估计向量：,即两个参数的两阶段最小二乘估计分别为：,36,
展开阅读全文