第12章 聯(lián)立方程估計與模擬

第十二章聯(lián)立方程模型的估計與模擬

本章講述的內(nèi)容是估計聯(lián)立方程組參數(shù)的方法。包括最小二乘法LS、加權(quán)最小二乘法WLS、似乎不相關(guān)回歸法SUR、二階段最小二乘法TSLS、加權(quán)二階段最小二乘法W2LS、三階段最小二乘法3LS、完全信息極大似然法FIML和廣義矩法GMM等估計方法。在估計了聯(lián)立方程組的參數(shù)后就可以利用不同的解釋變量值對被解釋變量進(jìn)行模擬和預(yù)測。1

經(jīng)濟(jì)系統(tǒng)并沒有嚴(yán)格的空間概念。國民經(jīng)濟(jì)是一個系統(tǒng)，一個地區(qū)的經(jīng)濟(jì)也是一個系統(tǒng)，甚至某一項經(jīng)濟(jì)活動也是一個系統(tǒng)。例如我們進(jìn)行商品購買決策，由于存在收入或預(yù)算的制約，在決定是否購買某一種商品時，必須考慮到對其他商品的需求與其他商品的價格，這樣，不同商品的需求量之間是互相影響、互為因果的。那么，商品購買決策就是一個經(jīng)濟(jì)系統(tǒng)。

聯(lián)立方程系統(tǒng)就是一組包含未知數(shù)的方程組。利用一些多元方法可以對系統(tǒng)進(jìn)行估計，這些方法考慮到了方程之間的相互依存關(guān)系。212.1聯(lián)立方程系統(tǒng)概述

本章將包含一組未知參數(shù)，并且變量之間存在著反饋關(guān)系的聯(lián)立方程組稱為“系統(tǒng)”(systems)，可以利用12.2節(jié)介紹的多種估計方法求解未知參數(shù)。本章的12.3節(jié)中將一組描述內(nèi)生變量的已知方程組稱為“模型”(model)，給定了聯(lián)立方程模型中外生變量的信息就可以使用聯(lián)立方程模型對內(nèi)生變量進(jìn)行模擬、評價和預(yù)測。一般的聯(lián)立方程系統(tǒng)形式是

t=1,2,,T(12.1.1)其中：yt

是內(nèi)生變量向量，zt

是外生變量向量，ut

是一個可能存在序列相關(guān)的擾動項向量，T表示樣本容量。估計的任務(wù)是尋找未知參數(shù)向量

的估計量。3例12.1克萊因聯(lián)立方程系統(tǒng)

克萊因（LawrenceRobertKlein）于1950年建立的、旨在分析美國在兩次世界大戰(zhàn)之間的經(jīng)濟(jì)發(fā)展的小型宏觀計量經(jīng)濟(jì)模型。模型規(guī)模雖小，但在宏觀計量經(jīng)濟(jì)模型的發(fā)展史上占有重要的地位。以后的美國宏觀計量經(jīng)濟(jì)模型大都是在此模型的基礎(chǔ)上擴(kuò)充、改進(jìn)和發(fā)展起來的。以至于薩繆爾森認(rèn)為，“美國的許多模型，剝到當(dāng)中，發(fā)現(xiàn)都有一個小的Klein模型”。所以，對該模型的了解與分析對于了解西方宏觀計量經(jīng)濟(jì)模型是重要的。

Klein模型是以美國兩次世界大戰(zhàn)之間的1920-1941年的年度數(shù)據(jù)為樣本建立的。

4

KleinⅠ模型：（消費）（投資）（私人工資）（均衡需求）（企業(yè)利潤）（資本存量）（12.1.2）

此模型包含3個行為方程，1個定義方程，2個會計方程。式中變量：

6個內(nèi)生變量：4個外生變量：

Y：收入（GDP中除去凈出口）；G：政府非工資支出；

CS：消費；

Wg

：政府工資；

I：私人國內(nèi)總投資；T：間接稅收；

Wp

：私人工資；Time：時間趨勢；

P：企業(yè)利潤；

K：資本存量5消費CS

收入

Y私人工資

WP企業(yè)利潤

P投資I資本存量

K政府支出G政府工資WG間接稅收T

KleinⅠ模型框圖注：方框內(nèi)是行為方程內(nèi)生變量，橢圓內(nèi)是恒等方程內(nèi)生變量，粗體是外生變量。6

前3個方程稱為行為方程，后面的3個方程稱為恒等方程。這是一個簡單描述宏觀經(jīng)濟(jì)的聯(lián)立方程模型。式（12.1.2）中的前3個行為方程構(gòu)成聯(lián)立方程系統(tǒng)：

t=1,2,,T

（12.1.3）待估計出未知參數(shù)后，與式（12.1.2）中的后3個恒等方程一起組成聯(lián)立方程模型。7在聯(lián)立方程模型中，對于其中每個方程，其變量仍然有被解釋變量與解釋變量之分。但是對于模型系統(tǒng)而言，已經(jīng)不能用被解釋變量與解釋變量來劃分變量。對于同一個變量，在這個方程中作為被解釋變量，在另一個方程中則可能作為解釋變量。對于聯(lián)立方程系統(tǒng)而言，將變量分為內(nèi)生變量和外生變量兩大類，外生變量與滯后內(nèi)生變量又被統(tǒng)稱為前定變量。8

內(nèi)生變量是具有某種概率分布的隨機(jī)變量，它的參數(shù)是聯(lián)立方程系統(tǒng)估計的元素，內(nèi)生變量是由模型系統(tǒng)決定的，同時也對模型系統(tǒng)產(chǎn)生影響。內(nèi)生變量一般都是經(jīng)濟(jì)變量。外生變量一般是確定性變量。外生變量影響系統(tǒng)，但本身不受系統(tǒng)的影響。外生變量一般是經(jīng)濟(jì)變量、條件變量、政策變量、虛擬變量。滯后內(nèi)生變量是聯(lián)立方程模型中重要的不可缺少的一部分變量，用以反映經(jīng)濟(jì)系統(tǒng)的動態(tài)性與連續(xù)性。在例12.1中，CS,I,Wp

,Y,P,K為內(nèi)生變量，外生變量G,Wg

,

T,

Time

和滯后內(nèi)生變量一起構(gòu)成前定變量。9§12.2聯(lián)立方程系統(tǒng)的估計方法

EViews提供了估計系統(tǒng)參數(shù)的兩類方法。一類方法是單方程估計方法，使用前面講過的單方程法對系統(tǒng)中的每個方程分別進(jìn)行估計。第二類方法是系統(tǒng)估計方法，同時估計系統(tǒng)方程中的所有參數(shù)，這種同步方法允許對相關(guān)方程的系數(shù)進(jìn)行約束并且使用能解決不同方程殘差相關(guān)的方法。雖然利用系統(tǒng)方法估計參數(shù)具有很多優(yōu)點，但是這種方法也要付出相應(yīng)的代價。最重要的是在系統(tǒng)中如果錯誤指定了系統(tǒng)中的某個方程，使用單方程估計方法估計參數(shù)時，如果某個被估計方程的參數(shù)估計值很差，只影響這個方程；但如果使用系統(tǒng)估計方法，這個錯誤指定的方程中較差的參數(shù)估計就會“傳播”給系統(tǒng)中的其它方程。10這里，應(yīng)該區(qū)分方程組系統(tǒng)和模型的差別。模型是一組描述內(nèi)生變量關(guān)系的已知方程組，給定了模型中外生變量的信息就可以使用模型對內(nèi)生變量求值。系統(tǒng)和模型經(jīng)常十分緊密地一起使用，估計了方程組系統(tǒng)中的參數(shù)后可以創(chuàng)建一個模型，然后對系統(tǒng)中的內(nèi)生變量進(jìn)行模擬和預(yù)測。11建立和說明聯(lián)立方程系統(tǒng)

為了估計聯(lián)立方程系統(tǒng)參數(shù)，首先應(yīng)建立一個系統(tǒng)對象并說明方程系統(tǒng)。單擊Object/NewObject/system或者在命令窗口輸入system，系統(tǒng)對象窗口就會出現(xiàn)，如果是第一次建立系統(tǒng)，窗口是空白的，在指定窗口用文本方式輸入方程，當(dāng)然也包含了工具變量和參數(shù)初值。使用標(biāo)準(zhǔn)的EViews表達(dá)式用公式形式輸入方程，系統(tǒng)中的方程應(yīng)該是帶有未知參數(shù)和隱含誤差項的行為方程。例12.1含有三個行為方程的系統(tǒng)是這樣的：12

這里使用了EViews缺省系數(shù)如c(10)、c(20)等等，當(dāng)然可以使用其它系數(shù)向量，但應(yīng)事先聲明，方法是單擊主菜單上Object/NewObject/Martrix-Vector-Coef/CoeffientVector。在說明方程時有一些規(guī)則：

13

規(guī)則1

方程組中，變量和系數(shù)可以是非線性的。可以通過在不同方程組中使用相同的系數(shù)對系數(shù)進(jìn)行約束。例如：

y=c(1)+c(2)*xz=c(3)+c(2)*x+c(4)*y

當(dāng)然也可以說明附加約束，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，則可以這樣描述方程：

y=c(1)*x1+c(2)*x2+(1-c(1)-c(2))*x314規(guī)則2

系統(tǒng)方程可以包含自回歸誤差項（注意不能有MA、SAR或SMA誤差項），每一個AR項必須伴隨系數(shù)說明（用方括號，等號，系數(shù)，逗號），例如：

cs=c(1)+c(2)*gdp+[ar(1)=c(3),ar(2)=c(4)]

規(guī)則3

如果方程沒有未知參數(shù)，則該方程就是恒等式，即定義方程，系統(tǒng)中不應(yīng)該含有這樣的方程，如果必須有的話，應(yīng)該先解出恒等式將其代入行為方程。15

規(guī)則4

方程中的等號可以出現(xiàn)在方程的任意位置，例如：

log(unemp/(1-unemp))=c(1)+c(2)*dmr

等號也可以不出現(xiàn)，只輸入沒有因變量的表達(dá)式，例如：

(c(1)*x+c(2)*y+4)^2

此時，EViews自動地把表達(dá)式等于隱含的誤差項。

規(guī)則5

應(yīng)該確信系統(tǒng)中所有擾動項之間沒有衡等的聯(lián)系，即應(yīng)該避免聯(lián)立方程系統(tǒng)中某些方程的線性組合可能構(gòu)成與某個方程相同的形式。例如，方程組中每個方程只描述總體的一部分，方程組的和就是一個恒等式，所有擾動項的和將恒等于零。這種情況下則應(yīng)放棄其中一個方程以避免這種問題發(fā)生。16聯(lián)立方程系統(tǒng)估計

創(chuàng)建和說明了系統(tǒng)后，單擊工具條的Estimate鍵，出現(xiàn)系統(tǒng)估計對話框，在彈出的對話框中選擇估計方法和各個選項：

17聯(lián)立方程系統(tǒng)殘差協(xié)方差矩陣的形式

EViews將利用下述方法估計方程組系統(tǒng)的參數(shù)。系統(tǒng)中方程可以是線性也可以是非線性的，還可以包含自回歸誤差項。下面的討論是以線性方程所組成的平衡系統(tǒng)為對象的，但是這些分析也適合于包含非線性方程的系統(tǒng)。若一個系統(tǒng)，含有k個方程，用分塊矩陣形式表示如下：

(12.2.1)

其中：yi

表示第i個方程的T維因變量向量，T是樣本觀測值個數(shù)，Xi表示第i個方程的Tki

階解釋變量矩陣，如果含有常數(shù)項，則Xi的第一列全為1，ki

表示第i個方程的解釋變量個數(shù)(包含常數(shù)項)，i表示第i個方程的ki

維系數(shù)向量，i=1,2,…,k。18式(12.2.1)可以簡單地表示為

(12.2.2)其中：設(shè)，是m維向量。聯(lián)立方程系統(tǒng)殘差的分塊協(xié)方差矩陣的kT×kT

方陣V大體有如下4種形式。本章的估計方法都是在這些情形的基礎(chǔ)上進(jìn)行討論的。

1.在古典線性回歸的標(biāo)準(zhǔn)假設(shè)下，系統(tǒng)殘差的分塊協(xié)方差矩陣是kT×kT

的方陣V(12.2.3)

其中：算子表示克羅內(nèi)克積(kroneckerproduct)，簡稱叉積，

2是系統(tǒng)殘差的方差。19

2.k個方程間的殘差存在異方差，但是不存在同期相關(guān)時，用表示第i個方程殘差的方差，i=1,2,…,k，此時的矩陣形式為

(12.2.4)其中diag

()代表對角矩陣。20

3.k個方程間的殘差不但是異方差的，而且是同期相關(guān)的情形，可以通過定義一個k×k的同期相關(guān)矩陣

進(jìn)行描述，

的第i行第j列的元素ij

=E(ui

uj)。如果殘差是同期不相關(guān)的，那么，對于i

j，則ij=0，如果k個方程間的殘差是異方差且同期相關(guān)的，則有

(12.2.5)21

4.在更一般的水平下，k個方程間的殘差存在異方差、同期相關(guān)的同時，每個方程的殘差還存在自相關(guān)。此時殘差分塊協(xié)方差矩陣應(yīng)寫成

(12.2.6)其中：ij

是第i個方程殘差和第j個方程殘差的自相關(guān)矩陣。2212.2.1單方程估計方法

1.普通最小二乘法（OrdinaryLeastSquares,OLS）

這種方法是在聯(lián)立方程中服從關(guān)于系統(tǒng)參數(shù)的約束條件的情況下，使每個方程的殘差平方和最小。如果沒有這樣的參數(shù)約束，這種方法和使用單方程普通最小二乘法估計每個方程式是一樣的。在協(xié)方差陣被假定為時，最小二乘法是非常有效的。的估計值為：

(12.9)

估計值的協(xié)方差陣為：

(12.10)其中，s

2系統(tǒng)殘差方差估計值。23

2.加權(quán)最小二乘法(WeightedLeastSquares,WLS)

這種方法通過使加權(quán)的殘差平方和最小來解決聯(lián)立方程的異方差性，方程的權(quán)重是被估計的方程的方差的倒數(shù)，來自未加權(quán)的系統(tǒng)參數(shù)的估計值。如果方程組沒有聯(lián)立約束，該方法與未加權(quán)單方程最小二乘法產(chǎn)生相同的結(jié)果。加權(quán)最小二乘法的估計值為：

(12.2.10)其中，是V的一個一致估計量。V中的元素i2的估計值sii

為

i=1,2,,k(12.2.11)

24當(dāng)方程右邊的變量X全部是外生變量，殘差是異方差和同期相關(guān)的，誤差協(xié)方差陣形式為V=IT時，使用SUR方法是恰當(dāng)?shù)摹＿M(jìn)行廣義最小二乘（GLS）估計，此時的

SUR估計值為：

(12.2.17)這里是元素為sij

的

的一致估計。

3.似乎不相關(guān)回歸(SeeminglyUnrelatedRegression,SUR)25

4.方程含有AR項

如果第i個方程含有AR項，EViews估計下面方程：

t=1,2,,T(12.2.18)

這里，i

是獨立的，但方程之間存在同期相關(guān)，EViews把上兩個方程聯(lián)合成一個非線性方程：

(12.2.19)

每次迭代時，EViews第一步迭代用非線性最小二乘法并計算出，然后構(gòu)造出

的估計，元素為：

i,j=1,2,,k(12.2.20)

運用非線性廣義最小二乘法（GLS）完成估計過程的每次迭代，直到估計的系數(shù)和加權(quán)矩陣全都收斂時就結(jié)束迭代過程。26

5.二階段最小二乘法(Two-StageLeastSquares,TSLS)

系統(tǒng)二階段最小二乘法方法（STSLS）是前面描述的單方程二階段最小二乘估計的系統(tǒng)形式。當(dāng)方程右邊變量與誤差項相關(guān)，但既不存在異方差，誤差項之間又不相關(guān)時，STSLS是一種比較合適的方法。EViews在實施聯(lián)立方程約束同時，對系統(tǒng)的每個方程進(jìn)行二階段最小二乘估計，如果沒有聯(lián)立方程的約束，得到的結(jié)果與單方程的最小二乘（TSLS）結(jié)果相同。聯(lián)立方程系統(tǒng)的結(jié)構(gòu)式(12.1.4)中的第i個方程可以寫為

i=1,2,,k(12.2.21)或等價的寫為

(12.2.22)式中i是式(12.1.4)內(nèi)生變量系數(shù)矩陣的第i行的行向量，是將i中第i個元素設(shè)為0，i是先決變量系數(shù)矩陣

的第i行的行向量，。Y是內(nèi)生變量矩陣，Z是前定變量矩陣。27第一階段用所有的前定變量Z對第i個方程右端出現(xiàn)的內(nèi)生變量（記為Yi）做回歸，采用普通最小二乘法估計其參數(shù)，并得到擬合值

(12.2.23)由這個方程的表達(dá)式可知，在大樣本下，?i與殘差獨立。在第二階段，用?i代替Yi，再利用Xi，采用普通最小二乘法重新估計，回歸得到

i=1,2,,k(12.2.24)其中：，這個參數(shù)的估計量即為原結(jié)構(gòu)方程的參數(shù)的二階段最小二乘的一致估計量。28

6.加權(quán)二階段最小二乘法(WTSLS)

該方法是加權(quán)最小二乘法的二階段方法。當(dāng)方程右邊變量與誤差項相關(guān)并且存在異方差但誤差項之間不相關(guān)時，W2LS是一種比較合適的方法。EViews首先對未加權(quán)系統(tǒng)進(jìn)行二階段最小二乘，根據(jù)估計出來的方程的方差求出方程的權(quán)重，如果沒有聯(lián)立方程的約束，得到的一階段的結(jié)果與未加權(quán)單方程的最小二乘結(jié)果相同。加權(quán)二階段最小二乘法的第一階段與未加權(quán)二階段最小二乘法相同。而在第二階段時，則是使用通過第一階段得到的權(quán)重矩陣

(12.2.25)進(jìn)行加權(quán)最小二乘估計，得到的第i個方程的參數(shù)估計量為

i=1,2,,k(12.2.26)2912.2.2系統(tǒng)估計方法

1.三階段最小二乘法(Three-StageLeastSquares,3SLS)

當(dāng)方程右邊變量與誤差項相關(guān)并且存在異方差，同時殘差項相關(guān)時，3LSL是有效方法。因為二階段最小二乘法是單方程估計方法，沒有考慮到殘差之間的協(xié)方差，所以，一般說來，它不是很有效。三階段最小二乘法的基本思路是：先用2SLS估計每個方程，然后再對整個聯(lián)立方程系統(tǒng)利用廣義最小二乘法估計。在第一階段，先估計聯(lián)立方程系統(tǒng)的簡化形式。然后，用全部內(nèi)生變量的擬合值得到聯(lián)立方程系統(tǒng)中所有方程的2SLS估計。一旦計算出2SLS的參數(shù)，每個方程的殘差值就可以用來估計方程之間的方差和協(xié)方差，類似于SUR的估計過程。第三階段也就是最后階段，將得到廣義最小二乘法的參數(shù)估計量。很顯然，3SLS能得到比2SLS更有效的參數(shù)估計量，因為它考慮了方程之間的相關(guān)關(guān)系。30式(12.2.1)的矩陣形式為

(12.2.27)其中：Y是內(nèi)生變量矩陣，X是解釋變量的分塊矩陣，是未知參數(shù)向量。在平衡系統(tǒng)的情況下，使用3SLS得到的估計量為

(12.2.28)其中：

(12.2.29)其中：Z是前定變量矩陣，Xi是式(12.2.1)中的第i個方程的Tki

階解釋變量矩陣。當(dāng)殘差的協(xié)方差矩陣是未知時，三階段最小二乘法利用從二階段得到的殘差來獲得的一致估計。31

2.

完全信息極大似然法完全信息極大似然法(fullinformationmaximumlikelihood，F(xiàn)IML)是極大似然法（ML）的直接推廣，是基于整個系統(tǒng)的系統(tǒng)估計方法，它能夠同時處理所有的方程和所有的參數(shù)。如果似然函數(shù)能準(zhǔn)確的設(shè)定，F(xiàn)IML會根據(jù)已經(jīng)得到樣本觀測值，使整個聯(lián)立方程系統(tǒng)的似然函數(shù)達(dá)到最大，以得到所有結(jié)構(gòu)參數(shù)的估計量。當(dāng)同期誤差項具有一個聯(lián)合正態(tài)分布時，利用此方法求得的估計量是所有的估計量中最有效的。對于聯(lián)立方程系統(tǒng)(12.2.27)，假設(shè)u

服從零均值，方差矩陣為V=

IT[式(12.2.5)]的多元正態(tài)分布。則可以寫出Y的對數(shù)似然函數(shù)為

(12.2.31)其中：B是式(12.1.4)中的內(nèi)生變量的kk階結(jié)構(gòu)參數(shù)矩陣。對上面的極大似然函數(shù)進(jìn)行求解，就可以得到結(jié)構(gòu)參數(shù)的FIML估計量。但是這個非線性方程系統(tǒng)求解非常復(fù)雜，需要采用牛頓迭代方法或阻尼迭代方法等。32

3.廣義矩法(GeneralizedMethodofMoments,GMM)

GMM估計基于假設(shè)方程組中的擾動項和一組工具變量不相關(guān)。GMM估計是將準(zhǔn)則函數(shù)定義為工具變量與擾動項的相關(guān)函數(shù)，使其最小化得到的參數(shù)為估計值。如果在準(zhǔn)則函數(shù)中選取適當(dāng)?shù)臋?quán)數(shù)矩陣，廣義矩法可用于解決方程間存在異方差和未知分布的殘差相關(guān)。其實，很多估計方法包括EViews提供的所有系統(tǒng)估計方法都是廣義矩法（GMM）的特殊情況。例如：當(dāng)方程右邊的變量都與殘差無關(guān)時，普通最小二乘估計就是廣義矩估計。

33廣義矩估計法的基本思想是待估計的參數(shù)

需要滿足一系列的理論矩條件，記這些矩條件為

(12.2.32)

矩估計方法就是用樣本的矩條件來替代理論矩條件(12.2.32)，即

(12.2.33)

廣義矩估計量是通過最小化下面的準(zhǔn)則函數(shù)來定義的：

(12.2.34)34

上式簡單的理解就是矩條件m和零點的“距離”，A是賦予每個矩條件的權(quán)數(shù)的加權(quán)矩陣，任何對稱的正定矩陣A都將產(chǎn)生一個的一致估計。然而，可以證明要得到的漸進(jìn)有效估計值的一個必要但不充分的條件是將

A設(shè)為樣本矩條件

m的協(xié)方差矩陣的逆矩陣。這是很直觀的，因為對越不精確的矩條件賦予越小的權(quán)重。

在EViews中，為了得到GMM估計必須先給出(12.25)式的矩條件，如回歸方程殘差u(,Y,X)和一組工具變量

Z的正交條件：

(12.28)對于廣義矩估計GMM能被識別，必須至少工具變量的個數(shù)和待估計的參數(shù)

的個數(shù)一樣多。無論方程組的擾動項是否存在未知形式的異方差和自相關(guān)，通過選擇恰當(dāng)?shù)臏?zhǔn)則函數(shù)中的加權(quán)矩陣A，都可以使GMM估計量是穩(wěn)健的。最佳選擇是，式中的是估計出來的樣本矩條件m的協(xié)方差矩陣。在估計時，一般都使用一致的二階段最小二乘法估計量作為的初始值。下面介紹兩種估計樣本矩條件m的協(xié)方差矩陣估計量的方法。

35

(1)

White異方差一致協(xié)方差矩陣

White異方差一致協(xié)方差矩陣估計方法（White’sheteroskedasticityconsistentcovariancematrix）估計樣本矩條件m的協(xié)方差矩陣估計量的計算公式為

(12.2.37)其中：ut

是殘差向量，Zt

是k×p維的矩陣，p是工具變量的個數(shù)，t時刻的p個矩條件可寫為：

(12.2.38)White的異方差一致協(xié)方差矩陣估計方法一般適用于截面數(shù)據(jù)。36

（2）異方差和自相關(guān)一致協(xié)方差矩陣（HAC）

如果選擇GMM-Timeseries選項，EViews用如下公式估計：

(12.31)這里(12.32)

在說明

之前，必須要指定核函數(shù)和帶寬

q。37

§12.2.3工具變量

如果用二階段最小二乘法（TSLS）、三階段最小二乘法方法（3SLS）或者廣義矩法（GMM）來估計參數(shù)，必須對工具變量做出說明。說明工具變量有兩種方法：若要在所有的方程中使用同樣的工具變量，說明方法是以“inst”開頭，后面輸入所有被用作工具變量的外生變量列表。例如：

instgdp(-1to-4)xgov

EViews在系統(tǒng)的所有方程中使用這六個變量作為工具變量。如果系統(tǒng)估計不需要使用工具，則這行將被忽略。若要對每個方程指定不同的工具變量，應(yīng)該在每個方程的后面附加“@”及這個方程需要的工具變量。例如：

cs=c(1)+c(2)*gdp+c(3)*cs(-1)@cs(-1)inv(-1)gov

inv=c(4)+c(5)gdp+c(6)*gov@gdp(-1)gov

第一個方程使用cs(-1)、inv(-1)、gov

和一個常量作為工具變量，第二個方程使用gdp(-1)、gov

和一個常量作為工具變量。最后還可以將兩個方法融合到一起，任何一個沒有獨自指定工具變量的方程將使用inst指定的工具變量。38

§12.2.4附加說明

(1)在每個方程中常數(shù)項始終都包含在工具變量表中，無論它是否被明確的說明過，這是隱含給定的。

(2)對于一個已給定的方程，所有右邊外生變量都應(yīng)列為工具變量。

(3)模型識別要求每個方程中工具變量(包括常數(shù)項)個數(shù)都應(yīng)該至少和右邊變量一樣多。

39§12.2.5初始值

如果系統(tǒng)中包括非線性方程，可以為部分或所有的參數(shù)用以param開頭的語句提供初始值，列出參數(shù)和值的對應(yīng)組合。例如：

paramc(1).15b(3).5為c(1)和b(3)設(shè)定初值。如果不提供初值，EViews使用當(dāng)前系數(shù)向量的值。

40§12.2.6迭代控制

對于WLS、SUR、WTSLS，3SLS，GMM估計法和非線性方程的系統(tǒng)，有附加的估計問題，包括估計GLS加權(quán)矩陣和系數(shù)向量，一般來說，選擇EViews缺省項，但是若要更好地控制計算工作則需要花費時間來進(jìn)行選擇。這些選項決定了系數(shù)或加權(quán)矩陣的迭代方法。

41§12.2.7估計結(jié)果

系統(tǒng)估計輸出的結(jié)果包括系統(tǒng)參數(shù)估計值、標(biāo)準(zhǔn)差和每個系數(shù)的t-統(tǒng)計值。而且，EViews提供殘差的協(xié)方差矩陣的行列式的值，對于FIML估計法，還提供它的極大似然值。除此之外，EViews提供每個方程的簡要的統(tǒng)計量，如R2統(tǒng)計值，回歸標(biāo)準(zhǔn)差，Durbin-Wstson統(tǒng)計值，殘差平方和等等。對每個方程都是按定義基于系統(tǒng)估計過程中的殘差計算而來。42

例12.1(續(xù))

在格林的《經(jīng)濟(jì)計量分析》中給出了克萊因模型1920年~1941年的數(shù)據(jù)和更新版本的1953年~1984年數(shù)據(jù)，klein_1模型說明文本：

cs=c(10)+c(12)*p+c(13)*p(-1)+c(14)*(wp+wg)i=c(20)+c(21)*p+c(22)*p(-1)+c(23)*k(-1)

wp=c(30)+c(31)*Y+c(32)*Y(-1)+c(33)*@trend

在system中只能建立3個行為方程，其余的3個定義方程要放到model中。cs

是消費方程，總消費主要受前期和當(dāng)期的企業(yè)利潤p、當(dāng)期工資收入(wp+wg)的影響；I

是投資方程，投資由前期和當(dāng)期利潤p

、前期的資本k來解釋；wp

是就業(yè)方程，用私人工資額代表就業(yè)，將它與前期和當(dāng)期的產(chǎn)出Y聯(lián)系起來，由生產(chǎn)規(guī)模決定就業(yè)，時間趨勢項考慮了日益增強(qiáng)的非經(jīng)濟(jì)因素對就業(yè)的壓力。4344

但是這個模型用在美國1953年-1984年的數(shù)據(jù)上結(jié)果就不好，經(jīng)過改進(jìn)后的模型見Klein-2模型。45

Klein-2模型：美國1953年-1984年期間：

cs=c(10)+c(11)*(wp+wg)+c(12)*r(-1)+c(13)*cs(-1)I=c(21)*k+c(22)*r(-1)+c(23)*p+[AR(1)=C(25)]

wp=c(32)*y+c(33)*y(-1)+c(34)*k+[AR(1)=C(35)]其中：r為半年期商業(yè)票據(jù)利息，其他變量的含義同克萊因聯(lián)立方程系統(tǒng)Ⅰ相同。該模型的OLS估計結(jié)果為：464748

例12.4克萊因聯(lián)立方程系統(tǒng)Ⅱ的GMM估計結(jié)果

利用GMM法重新估計克萊因聯(lián)立方程系統(tǒng)Ⅱ。

在1953～1984年的區(qū)間上，工具變量選擇Y(-1)、CS(-1)、I(-1)、K(-1)、Wp(-1)、P(-1)、Wg、R，克萊因聯(lián)立方程系統(tǒng)Ⅱ的GMM估計結(jié)果為：

4950與例12.1相比，這三個方程中的系數(shù)都沒有太大的變化，但是所有變量的t統(tǒng)計量都變得更加顯著，這說明利用GMM方法，考慮了方程間的相互影響，能夠更好的描述整個經(jīng)濟(jì)系統(tǒng)的行為。

51§12.2.8系統(tǒng)的應(yīng)用

得到估計結(jié)果后，系統(tǒng)對象提供了檢查結(jié)果的工具，依次進(jìn)行參考和詳細(xì)討論。

一、系統(tǒng)的查看（View）

以下查看與單方程的查看十分相似。

1.單擊View/SystemSpecification

顯示系統(tǒng)說明窗口，也可以通過直接單擊菜單中的Spec來顯示。

2.單擊Views/EstimationOutput

顯示系統(tǒng)的系數(shù)估計值和簡明的統(tǒng)計量，也可以通過直接單擊菜單中的Stats來顯示。

3.單擊Views/Residuals(1)選擇Views/Residuals/Graph，顯示系統(tǒng)中每個方程的殘差圖形。52

(2)選擇Views/Residuals/CorrelationMatrix

計算每個方程殘差的同步相關(guān)系數(shù)。

(3)選擇Views/Residuals/CovarianceMatrix

計算每個方程殘差的同步協(xié)方差。

4.單擊View/CoefficientCovarianceMatrix

查看估計得到的協(xié)方差矩陣。

5.單擊View/WaldCoefficientTests…

做系數(shù)假設(shè)檢驗，詳細(xì)討論見第4章。

6.單擊Views/EndognousTable

列出系統(tǒng)中所有的內(nèi)生變量。

7.單擊Views/Endognous

Gragh

列出系統(tǒng)中所有的內(nèi)生變量的圖形。53

二、系統(tǒng)的過程（Procs）

系統(tǒng)與單方程的顯著區(qū)別是系統(tǒng)沒有預(yù)測功能，如果要進(jìn)行模擬或預(yù)測，必須使用模型對象。EViews提供一個簡單的方法將系統(tǒng)結(jié)果轉(zhuǎn)化為模型。

1.建立模型(Procs/MakeModel)

EViews將打開由已估計系統(tǒng)轉(zhuǎn)化的模型（參數(shù)已知），然后可以用這個模型進(jìn)行模擬和預(yù)測。還有一種方法是先建立模型，然后將系統(tǒng)納入進(jìn)來，這在下一節(jié)詳細(xì)討論。

2.估計系統(tǒng)(Procs/Estimate)

打開估計系統(tǒng)的對話框，也可以通過直接單擊Estimate進(jìn)行估計。54

3.建立方程殘差序列

(Procs/MakeResiduals)

建立系統(tǒng)中每個方程的殘差項序列。為了在系統(tǒng)中更明確地指定方程組對應(yīng)的殘差，殘差項直接命名為連續(xù)的未使用過的諸如：RESID01、RESID02等等?？梢詫γ總€方程的殘差進(jìn)行單位根檢驗，以檢驗方程是否是偽回歸，即方程的變量之間是否具有協(xié)整關(guān)系。

4.建立包含內(nèi)生變量的組對象(Procs/MakeEndogenousGroup)

55利用前面介紹的方法估計所建立的聯(lián)立方程系統(tǒng)，得到未知參數(shù)的估計量，就能夠建立一個完善的、能夠反映客觀實際的聯(lián)立方程模型。建立模型的一個重要應(yīng)用就是進(jìn)行政策模擬和預(yù)測。利用經(jīng)濟(jì)計量模型能夠生成一個或若干個經(jīng)濟(jì)變量的預(yù)測值，這些預(yù)測值可以是對已知數(shù)據(jù)的模擬，也可以是對未知數(shù)據(jù)的預(yù)測，這取決于進(jìn)行模擬的目的。前者是用來對所建立的模型進(jìn)行檢驗和評估，或者進(jìn)行政策的歷史分析等，而后者則用來進(jìn)行預(yù)測，或者進(jìn)行靈敏度分析和政策分析等?！?2.3聯(lián)立方程模型的模擬

56

EViews中的模型是一個方程或多個方程的組合，這些方程共同描述一組變量之間的關(guān)系。模型方程有很多來源：可以是簡單的恒等式，可以是單個方程的估計結(jié)果，也可以是使用任意一種EViews多方程估計方法所獲得的估計結(jié)果。

EViews模型可以把所有這些來源的方程結(jié)合成一個對象，該對象可以對模型的所有變量產(chǎn)生一個確定的或隨機(jī)的聯(lián)合預(yù)測或模擬。在確定性條件下，模型的輸入是固定的已知值，并且輸出變量的路徑是單一的；在隨機(jī)性條件下，可以對模型參數(shù)、方程殘差或者外生變量增加一個隨機(jī)成分，以使模型包含不確定性。57模型還可以在外生變量的不同假設(shè)下研究擬合的結(jié)果。在EViews中，我們把這些假設(shè)稱為“情景分析(scenarios)”，并提供各種工具研究多變量模型的情景分析。即使研究的只是單一方程，也會發(fā)現(xiàn)把它建成一個模型是很有益處的，因為這樣可以利用EViews模型對象所提供的各種手段。本節(jié)將簡要介紹EViews模型對象的功能、結(jié)構(gòu)，以及所使用的術(shù)語。

58一個模型包括一組方程，這些方程是用來描述一組變量之間關(guān)系的。模型變量可以分為兩種：由模型內(nèi)部決定的變量我們稱為內(nèi)生變量，而在模型外部決定的變量我們稱為外生變量。還有一種變量我們稱為附加因子，它是外生變量的一種特殊形式。模型的最一般形式可以用數(shù)學(xué)符號寫為：（12.3.1）其中y是內(nèi)生變量向量，z是外生變量向量，F(xiàn)是實函數(shù)fi

(y,z

)的向量。為使方程有唯一解，方程個數(shù)與內(nèi)生變量個數(shù)應(yīng)相同。59一般來講，模型中的每個方程都必須含有與之對應(yīng)的惟一一個內(nèi)生變量，即模型的每個方程都必須能夠?qū)懗上率鲂问剑簓i

fi

(y,z

)

（12.3.2）其中：yi

是第i個方程的被解釋內(nèi)生變量。如果方程是以隱函數(shù)的形式出現(xiàn)的，就需要將方程標(biāo)準(zhǔn)化，把方程寫成顯性形式。EViews具有標(biāo)準(zhǔn)化方程的能力，包括對內(nèi)生變量的簡單變形，可以自動把方程寫成顯性形式。對任何方程來說都不是內(nèi)生變量的變量被視作外生變量。60

EViews模型中的方程既可以是內(nèi)置的，又可以是鏈接的。內(nèi)置方程以模型內(nèi)的文本形式表示其表達(dá)式。鏈接方程在模型中的表達(dá)式則是來自模型外部的EViews對象，例如單一方程或多方程估計對象，甚至可以是另一個模型。鏈接使模型能夠與其方程的估計方法或與該模型所依賴的另一個模型更加緊密地聯(lián)系起來。例如，工業(yè)供給和需求模型可以與另一個模型和估計方程鏈接起來。工業(yè)供給和需求模型：←為總消費的預(yù)測鏈接宏觀經(jīng)濟(jì)模型對象←鏈接含有工業(yè)供給方程的方程對象←鏈接含有工業(yè)需求方程的方程對象←內(nèi)置恒等式：供給=需求61

方程還可以分為隨機(jī)方程和恒等式。大致說來，恒等式是應(yīng)用實際數(shù)據(jù)時等式精確成立的方程，而隨機(jī)方程只有帶有隨機(jī)誤差時才能成立。隨機(jī)方程主要來自統(tǒng)計估計過程，而恒等式則來自變量之間的會計關(guān)系。對于一組既定的外生變量值Z，將試圖找到一組內(nèi)生變量值Y，使得模型方程在容許的偏差內(nèi)成立。對于一個簡單的模型，將逐期進(jìn)行迭代求解。如果模型方程包含內(nèi)生變量的未來值，那么需要用更復(fù)雜的方法來同時求解所有區(qū)間上的值。62

EViews通常會在變量名的基礎(chǔ)上產(chǎn)生結(jié)果序列名，這一般是在變量名的末尾加上表示特征的擴(kuò)展名。例如，模型內(nèi)生變量名為“Y”，當(dāng)EViews求解模型時，它會把結(jié)果保留在工作區(qū)中稱為“Y_0”的觀測序列中，稱這種標(biāo)識名為別名(Aliasing)。別名是EViews模型的一個重要特征，它使得模型中的變量可以被標(biāo)識成工作區(qū)序列的不同集合，而不需要改變模型方程。63

模型求解后，別名一般用于內(nèi)生變量以避免歷史數(shù)據(jù)被覆蓋。對于包含滯后內(nèi)生變量的模型，別名可以把滯后變量與實際歷史數(shù)據(jù)或者與求解的前期值連接起來，前者稱為靜態(tài)預(yù)測，后者稱為動態(tài)預(yù)測。這兩種情形求解模型時，對單期來說滯后內(nèi)生變量實際上都被作為外生變量。

64當(dāng)使用模型進(jìn)行情景分析時，別名還時常用于外生變量。模型情景分析可以用來研究在外生變量路徑或附加因子的不同假設(shè)下，模型的預(yù)測是怎樣變化的。在情景分析中，可以通過更改某外生變量來改變這個外生變量的路徑。當(dāng)一個變量被更改時，其值將從特定情景分析的工作區(qū)序列取得。序列名是通過在變量名后面加上標(biāo)識情景分析的后綴形成的。保存模型在該情景分析下的解時使用同樣的后綴。使用情景分析可以容易地比較模型在各種不同假設(shè)下的預(yù)測結(jié)果，而不需要改變模型的結(jié)構(gòu)。65下表給出了模型別名把變量名標(biāo)識成工作區(qū)中的序列名的典型例子：模型名工作區(qū)序列內(nèi)生變量Y→Y歷史數(shù)據(jù)

→Y_0基本解結(jié)果

→Y_1情景1結(jié)果→Y_2情景2結(jié)果外生變量X→X基本預(yù)測的歷史數(shù)據(jù)

→X_1情景1的預(yù)測→X_2情景2的預(yù)測66例12.5克萊因聯(lián)立方程模型Ⅱ的求解和模擬

我們以美國1953年～1984年期間Klein-Ⅱ的GMM模型為例來介紹怎樣通過EViews模型對象來求解模型。模型中包括三個隨機(jī)方程和三個等式：

CS=-20.5+0.49*(WP+WG)-4.19*R(-1)+0.47*CS(-1)+e1I=0.62*P-6.89*R(-1)+0.049*K+[AR(1)=0.87]+e2WP=0.57*Y+0.032*Y(-1)+0.07*K+[AR(1)=0.92]+e3Y=CS+I+GP=Y-T-WPK=K(-1)+I其中：CS是個人消費，I是私人國內(nèi)總投資，G是政府非工資支出，Y是GDP減去凈出口，R是半年期商業(yè)票據(jù)利息，P是企業(yè)利潤，K是資本存量，P是間接稅收。該模型有更強(qiáng)的動態(tài)結(jié)構(gòu)，其中許多變量是以滯后的形式出現(xiàn)的。67§12.3.2

創(chuàng)建模型

一、建立模型

首先是創(chuàng)建模型對象，創(chuàng)建模型對象有2種不同的方法：

1.可以選擇Objects/NewObject…，再選擇Model來創(chuàng)建一個空模型。

2.可以從一個估計對象中使用MakeModel過程來創(chuàng)建一個模型，該模型則包含該對象中的方程或方程組。68二、向模型添加方程

模型中的方程可以分為兩類：鏈接方程和內(nèi)置方程。鏈接方程是從工作區(qū)中的其他對象引進(jìn)的方程，內(nèi)置方程以文本形式保存在模型內(nèi)。向模型添加方程有以下幾種方法：

1.添加鏈接方程：從工作區(qū)窗口中選定包含想要加入模型的方程的對象，然后復(fù)制、粘貼，把該對象加入模型的方程查看窗口。例如把EQ_CS,EQ_I,EQ_WP三個單方程加入模型model1中。

69

2.用文本形式添加方程：例如國民支出恒等式不需要估計，以文本形式添加該方程。單擊Test按鈕，文本框中輸入等式“Y=CS+I+G”，在該對話框中，還可以輸入一個冒號，再輸入想鏈接的對象名來添加鏈接方程，例如“：EQ_CS”，這是鏈接對象的文本形式。對模型添加方程后，添加方程的因變量就成為內(nèi)生變量。70

在EViews模型中，出現(xiàn)在方程中的第一個變量將被視為該方程的內(nèi)生變量。因為每個內(nèi)生變量只能與一個方程相關(guān)，因此有時需要重寫方程表達(dá)式以保證每個方程的起始變量不同。例如，假定模型中有方程

X/Y=Z

EViews將把該方程與變量X關(guān)聯(lián)起來。如果想把該方程與變量Y關(guān)聯(lián)起來，我們需要重寫方程為：

1/Y*X=Z。注意到EViews有能力處理包含內(nèi)生變量的簡單表達(dá)式，可以在方程的左端使用log()，D()和Dlog()等函數(shù)。如果求解模型時選擇了Gauss-Seidel方法，那么EViews將把這種方程標(biāo)準(zhǔn)化為顯性形式。71

三、從模型中刪除方程

要想從模型中去掉方程，只需要在方程查看窗口中選定方程，再選擇鼠標(biāo)右鍵菜單中的Delete便可去掉方程。刪除方程會使被刪除方程的因變量變成外生變量。

四、更新模型的鏈接

如果模型包含鏈接方程，則由模型外部確定的方程的改變將使模型內(nèi)的方程過時?？梢酝ㄟ^過程Procs/Links/Updatealllinks使模型內(nèi)部方程也相應(yīng)的變化，或者可以通過鼠標(biāo)右鍵菜單中的Updatelinks項只更新一個方程，當(dāng)工作區(qū)從磁盤中重新調(diào)入時鏈接也會更新。72

有時候需要模型中的方程與鏈接對象分離，例如希望以文本形式查看整個模型，其所有方程都詳細(xì)寫出。為此，可以使用Procs/Links/BreakAllLinks過程把模型中所有的鏈接方程轉(zhuǎn)換為內(nèi)置文本形式，也可以只轉(zhuǎn)換一個方程，先選定該方程，然后使用鼠標(biāo)右鍵菜單中的Breaklink即可。

73

選擇View/SourceText或單擊“Text”按鈕，可以看到聯(lián)立方程形式：

當(dāng)某鏈接被打破時，方程將以文本形式存在，其未知參數(shù)將被點估計所取代，有關(guān)參數(shù)不確定性的任何信息都將丟失。這對模型的確定性求解沒有影響，但如果選擇了Includecoefficientuncertainty則可能會改變隨機(jī)模擬的結(jié)果。

74§12.3.3

模型結(jié)構(gòu)視窗

同EViews中的其他對象一樣，我們可以以幾種方式查看模型對象所包含的信息，由于模型是描述一組變量之間關(guān)系的方程組合，因此對于模型主要有兩種視窗，即方程查看視窗和變量查看視窗，EViews還提供了模型結(jié)構(gòu)的兩個視窗：塊結(jié)構(gòu)查看視窗和文本視窗。75

一、方程查看視窗(EquationView)

方程視窗用于顯示、選擇和修改模型的方程。

窗口中的每一行都用來描述一個鏈接對象或者一個內(nèi)置文本方程。鏈接對象的顯示與在工作區(qū)中類似，有一表明類型的圖標(biāo)及對象名。內(nèi)置方程的圖標(biāo)是“TXT”，并顯示方程的符號表達(dá)式。

模型的任何錯誤都將以紅行顯示，它包括描述錯誤原因的說明信息。在方程查看窗口中可以直接打開任何鏈接對象，只需用鼠標(biāo)選擇描述該對象的那一行，再選擇鼠標(biāo)右鍵菜單中的OpenLink。使用方程屬性對話框可以更詳細(xì)地查看每行的內(nèi)容，先用鼠標(biāo)選定該行，再從鼠標(biāo)右鍵菜單中選擇Properties，或者只雙擊該對象以激活對話框。76

對單一方程鏈接，對話框顯示方程的函數(shù)形式、參數(shù)的估值，以及方程殘差的標(biāo)準(zhǔn)差估值。如果鏈接對象包含多個方程，則可以使用對話框頂部的Endogenous在對象的不同方程之間切換。對于內(nèi)置方程，對話框僅顯示方程的文本。77

二、變量查看視窗(VariableView)

變量查看窗口用于調(diào)整與變量相關(guān)的選項，并顯示和編輯與模型相關(guān)的序列。變量查看窗口列出了模型的所有變量，每一行描述一個變量。每一行先是用圖標(biāo)表明變量是內(nèi)生、外生還是附加因子，隨后是變量名、與變量相關(guān)的方程序號，以及對變量的描述，該描述來自工作區(qū)中相關(guān)的序列。

78三、塊結(jié)構(gòu)查看視窗(BlockStructureView)

模型的塊結(jié)構(gòu)查看窗口可以分析并顯示依賴關(guān)系中的塊結(jié)構(gòu)。塊結(jié)構(gòu)是指模型可以分為若干更小的部分，每個部分可以依次求解。例如考慮系統(tǒng)：塊1X=Y+4Y=2*X-3塊2Z=X+Y

因為變量Z在前兩個方程中都沒有出現(xiàn)，因此我們可以把該方程系統(tǒng)分為兩塊：一塊包含前兩個方程，另一塊包含第3個方程。我們可以用第1塊求解變量X和Y，再用第2塊求解變量Z。使用系統(tǒng)的塊結(jié)構(gòu)可以減少一次求解的變量個數(shù)，這大大提高了計算效率。79

四、文本查看視窗(TextView)

文本查看窗口由一系列行組成。

1.

內(nèi)置方程的文本。

2.以冒號起始的行表示與外部對象的鏈接

冒號之后必須是工作區(qū)中的對象名，模型打開或者鏈接更新時外部對象的方程都會引入模型。

3.以“@add”開始的行表明是附加因子

附加因子的命令形式為

@add(v)內(nèi)生變量名附加因子名其中內(nèi)生變量名為附加因子所要應(yīng)用的方程對應(yīng)的內(nèi)生變量名，附加因子名為序列名，選項(v)是用于確定附加因子應(yīng)用于內(nèi)生變量，缺省值是把附加因子應(yīng)用于方程殘差。80

4.以“@innov”起始的行表明是擾動項方差

擾動項方差有兩種形式，當(dāng)它應(yīng)用于內(nèi)生變量時形式為

@innov

內(nèi)生變量名擾動項標(biāo)準(zhǔn)差當(dāng)它應(yīng)用于外生變量時形式為

@innov

外生變量名number_or_series其中number_or_series是序列號或名字，該序列包含隨機(jī)模擬過程中應(yīng)用于該變量的標(biāo)準(zhǔn)差。81§12.3.4

確定情景分析

1.情景分析的思想和功能

對模型進(jìn)行預(yù)測和模擬時，通常需要在有關(guān)外生變量路徑的不同假設(shè)下，或從模型中剔除一個或多個方程時對模型的預(yù)測進(jìn)行比較。模型情景分析可以在不覆蓋以前的數(shù)據(jù)和不改變模型結(jié)構(gòu)的前提下做到這一點。情景分析最重要的功能在于確定哪個序列將用于記錄與方程特定解相關(guān)的數(shù)據(jù)。為區(qū)分與不同情景分析相關(guān)的數(shù)據(jù)，每個情景分析都根據(jù)別名規(guī)則修正變量名。一般地，別名是在模型變量名的后面加上下劃線及序號，如“_0”或“_1”。每個情景分析的數(shù)據(jù)將會被保存在工作區(qū)中帶有別名的序列中。82

模型情景分析通過更改需要改變的一組變量可以對外生變量的不同假設(shè)進(jìn)行分析。被更改的外生變量將在帶有標(biāo)識該情景分析的別名的序列中取值，而沒有被更改的外生變量將從與該變量同名的序列中取值。情景分析還可以從模型中剔除一個或多個內(nèi)生變量。當(dāng)某內(nèi)生變量被剔除后，與該變量相關(guān)的方程也將從模型中剔除，而變量值將直接取自工作區(qū)中與變量同名的序列。剔除某內(nèi)生變量后，在求解模型時就可以有效地把它視為外生變量。

83

2.

情景分析的建立和修改

一個模型可以包括許多情景分析，通過View/ScenarioSpecification可以查看與當(dāng)前模型相關(guān)的所有情景分析。

每個模型都有兩個特殊的情景分析：實際(actuals)和基準(zhǔn)(baseline)。它們的共同點在于它們不能更改或剔除任何變量，不同之處在于實際情景分析把內(nèi)生變量值寫回與該變量同名的序列，而基準(zhǔn)情景分析修改變量名。不要使用實際情景分析為當(dāng)前情景分析來求解模型，以避免覆蓋歷史數(shù)據(jù)。84

(1)SelectScenario窗口

可以創(chuàng)建、復(fù)制、刪除和重命名模型情景分析。要想為模型添加一個新的情景分析，只需單擊CreateNewScenario按鈕，一個新的情景分析立即創(chuàng)建。通過該對話框，還可以選擇哪個情景分析是當(dāng)前激活的，或者重命名和刪除情景。85

(2)Scenariooverrides窗口

概述了選定的情景分析中已經(jīng)被更改的變量或已經(jīng)被剔除的變量，它可以使我們看到情景分析變化的完整列表。

(3)Aliasing窗口

可以考察與任何情景分析相關(guān)的別名，該對話框顯示了應(yīng)用于不同類型變量的所有別名。

86

在進(jìn)行政策模擬時，除已有的外生變量外，可按模擬需要將某些內(nèi)生變量變?yōu)橥馍恼咦兞?，如財政支出，在進(jìn)行財政政策模擬時須去掉財政支出方程，將其變?yōu)橥馍兞?。政策沖擊可以分為瞬時沖擊和持續(xù)沖擊：瞬時沖擊指在某一時刻給一變量一個沖擊，而以后各期均沒有變化，考慮其他變量的響應(yīng)；持續(xù)沖擊指從某一時刻開始，對某一變量施以持續(xù)的沖擊，考慮其他變量的響應(yīng)。87

盡管從情景分析對話框可以看到某情景分析的所有設(shè)置，但也可以從變量查看窗口直接改變大多數(shù)情景分析設(shè)置。對于外生變量和附加因子，可以從變量查看窗口選定變量，然后用鼠標(biāo)右鍵激活該變量的屬性對話框。使用Useoverride復(fù)選框可以調(diào)整變量的更改狀態(tài)。一旦某變量被更改，它在變量查看窗口中將以紅色顯示。88§12.3.5

模型求解

一旦模型的設(shè)定完成，就可以求解模型。EViews可以進(jìn)行確定性和隨機(jī)性模擬。開始求解模型，可以使用Procs/SolveModel…或單擊模型工具欄上的Solve按鈕，EViews將顯示一個包含求解選項的對話框。

89

一、基本選項(BasicOptions)

在左上部，Simulationtype框可以設(shè)置模型是確定性模擬還是隨機(jī)性模擬。在確定性模擬中，模型所有方程的解使方程在模擬期內(nèi)成立而沒有殘差，所有的系數(shù)都固定為點估計值，所有的外生變量都保持不變，這使得內(nèi)生變量的路徑是單一的，一次求解模型就可以得到結(jié)果。在隨機(jī)模擬中，模型方程的求解是使方程殘差等于隨機(jī)抽取的殘差，系數(shù)和外生變量也是隨機(jī)變化的。在這種情形中，模型對內(nèi)生變量的每期結(jié)果都產(chǎn)生了一個分布。通過抽取不同的隨機(jī)成分多次求解模型，再計算所有不同結(jié)果的統(tǒng)計量，這樣可以獲得漸近分布。90

Dynamics框中選項是用于確定求解模型時EViews怎樣使用內(nèi)生變量的歷史數(shù)據(jù)：

1.動態(tài)求解(DynamicSolution)

進(jìn)行預(yù)測時只有求解樣本期之前的內(nèi)生變量被使用。滯后內(nèi)生變量和ARMA項是用前些期的解計算的，而不是來自實際的歷史數(shù)據(jù)。動態(tài)求解方法一般用于對未來幾期的預(yù)期（多期預(yù)測），或用于評價多期預(yù)測對歷史的擬合程度。

2.靜態(tài)求解(StaticSolution)

每次求解模型時直到前一期的內(nèi)生變量都被使用。滯后內(nèi)生變量和ARMA項取自內(nèi)生變量的實際值。靜態(tài)求解一般用于基于歷史數(shù)據(jù)的一期預(yù)測，以檢驗?zāi)Ｐ偷臍v史擬合程度。靜態(tài)預(yù)測不能用于預(yù)測未來的多期值。91

3.擬合(Fit)

求解模型時內(nèi)生變量的當(dāng)期值也被使用。除了正被計算的方程的內(nèi)生變量以外，所有的內(nèi)生變量值都被實際值所替代。Fit項可用于研究每個方程的獨立擬合程度，而不考慮它們之間的依賴關(guān)系。該項只能用于所有內(nèi)生變量的歷史數(shù)據(jù)都可用的區(qū)間。除了這些選項以外，Structural復(fù)選框還可以選擇是否忽略方程中出現(xiàn)的ARMA項。對話框的左下部是SolutionSample框，它是用來確定求解模型的樣本區(qū)間。與其他EViews過程不同，它不會自動設(shè)為剔除缺失的數(shù)據(jù)。92

該對話框的右端是用于選擇所要求解的情景分析。單擊EditScenarioOptions中的按鈕可以快速查看選定的情景分析的設(shè)置。選項SolveforAlternatealongwithActive主要用于比較情形，且兩個情景分析必須同時求解以保證對兩者同時使用各自的沖擊。93模型模擬的分類

設(shè)觀測值樣本個數(shù)為T，一般將模型中的樣本分為兩個區(qū)間：[1,T1]和[T1+1,T]，前一個區(qū)間用于估計，后一個區(qū)間用于檢驗。模型模擬所涉及的時間范圍將取決于模擬的目的。

1．?dāng)M合

模擬的第一種形式是樣本內(nèi)預(yù)測(in-sampleforecast)，也稱為擬合(fitting)。內(nèi)生變量在估計樣本區(qū)間[1,T]內(nèi)的預(yù)測值稱為擬合值。把每一個內(nèi)生變量的原始時間序列數(shù)據(jù)與模擬結(jié)果進(jìn)行比較，就是一種很有用的檢驗?zāi)M效果的方法。求解后的顯示信息:94

例12.5克萊因聯(lián)立方程模型Ⅱ的擬合結(jié)果例12.4采用系統(tǒng)估計方法，GMM法估計克萊因聯(lián)立方程系統(tǒng)Ⅱ。在1955～1984年的區(qū)間內(nèi)克萊因聯(lián)立方程模型Ⅱ的模擬結(jié)果為：

9596

2．預(yù)測預(yù)測（forecasting）是對估計的樣本區(qū)間以外的內(nèi)生變量進(jìn)行外推。要進(jìn)行預(yù)測，必須擁有整個預(yù)測期內(nèi)所有外生變量的時間序列數(shù)據(jù)。預(yù)測可以分為兩類：

(1)事后預(yù)測如果估計區(qū)間是[1,T1]，預(yù)測區(qū)間是[T1+1,T]，然后把得到的預(yù)測結(jié)果與[T1+1,T]區(qū)間內(nèi)的內(nèi)生變量的已知數(shù)據(jù)進(jìn)行比較，這種預(yù)測稱為事后預(yù)測（expost），通常用來檢驗?zāi)Ｐ皖A(yù)測的準(zhǔn)確性。

(2)事前預(yù)測另一種預(yù)測是預(yù)測的起始時刻t在樣本區(qū)間的終止時刻T之后，即t=T+1，T+2，…，T+h時，h是預(yù)測期長度，這被稱作事前預(yù)測（exante）。97事前預(yù)測樣本內(nèi)預(yù)測

(擬合)事后預(yù)測

1T1Tt圖12.2

樣本內(nèi)、事前和事后預(yù)測

98例12.6克萊因聯(lián)立方程模型Ⅱ的事后預(yù)測結(jié)果

本例對克萊因聯(lián)立方程模型Ⅱ進(jìn)行事后預(yù)測，預(yù)測區(qū)間為1983～1984年。首先在估計樣本區(qū)間1953～1982年，即[1,T1]上重新估計克萊因聯(lián)立方程系統(tǒng)Ⅱ，生成新的模型(klein_2_1982)，再對這個新的模型在預(yù)測區(qū)間[T1+1,T]，即1983～1984年求解。預(yù)測結(jié)果為：

99