《数据分析与EViews的应用》（第4版）课件 第7、8章 条件异方差模型、联立方程模型

第七章条件异方差模型目录01自回归条件异方差模型(ARCH)介绍最基础的自回归条件异方差模型，分析方差时变性特征。02广义自回归条件异方差模型(GARCH)探讨ARCH模型的扩展形式，即GARCH模型及其统计特性。03其它类型的条件异方差模型简要介绍EGARCH、TARCH等非对称条件异方差模型。04条件异方差模型的应用结合金融市场案例，分析模型在风险管理与预测中的应用。01自回归条件异方差模型AutoregressiveConditionalHeteroskedasticityModel条件异方差与波动集群性同方差vs异方差同方差：假设随机扰动项的方差恒定，不随时间变化。异方差：实际中，许多金融时间序列的扰动项方差是随时间变化的。传统回归分析常假设同方差，但金融数据（如股价、汇率）往往表现出异方差特性，即风险（方差）是时变的。波动集群性(VolatilityClustering)指波动在某些时间段剧烈，在另一些时间段平缓，呈现“成群”特征。例如：股票收益率在市场剧烈波动期方差显著增大，平稳期则较小。条件异方差的核心特征序列的无条件方差是常数，但基于过去信息集的条件方差是随时间变化的变量。这正是ARCH模型要捕捉的关键特征。ARCH模型的定义模型含义当前时刻扰动项的方差（条件方差）依赖于过去q个时刻扰动项平方的加权平均D.W.检验条件方差表达式平稳性条件模型定义对于通常的回归模型若随机干扰项的平方服从q阶自回归过程

其中，独立同分布，并满足

，则称其为q阶自回归条件异方差模型，

记作ARCH（q）。所有系数之和小于1

清晰地展示了条件方差随时间变化的特性ARCH效应检验：拉格郎日乘数法(LM检验)前期准备：回归与残差建立主体模型：对原序列建立回归或时间序列模型，得到残差序列εt。建立辅助回归：将残差平方εt²对其滞后项ε(t-1)²,…,ε(t-q)²进行回归分析。假设设定：效应判定原假设H0：系数全为0，即不存在ARCH效应。备择假设H1：至少有一个系数不为0，即存在ARCH效应。统计检验：计算与判断计算统计量：LM=n×R²(n为样本量，R²为辅助回归拟合优度)，服从自由度为q的卡方分布。结果判断：若LM值大于临界值（或p值小于显著性水平），则拒绝H0，认为存在ARCH效应。实证案例：中国物价指数分析研究问题与数据来源研究对象：分析1951-1998年我国商品零售物价指数(S)与居民消费价格指数(X)的动态关系。数据特征：年度时间序列数据，共包含48个观测值。主体模型设定为考察变量间动态影响，建立分布滞后模型：s_t=b₁x_t+b₂x_{t-1}+b₃x_{t-2}+b₄s_{t-1}+ε_tEViews操作命令在EViews命令行输入以下指令进行OLS估计：lssxx(-1)x(-2)s(-1)模型估计结果拟合优度R²达到0.9986，模型解释力极强。各系数均通过显著性检验。案例分析：残差检验与ARCH效应检验检验流程与操作路径残差自相关检验（LM检验）对分布滞后模型残差检验，p值=0.0056，存在显著序列自相关，说明模型设定可能存在不足。ARCH效应检验操作步骤1.路径：View->ResidualTests->ARCHLMTest2.设置：在对话框中指定检验阶数（如q=1）3.执行：点击OK按钮获取检验结果检验结果解读与验证ARCH检验设置窗口（图7-1）选择ARCH检验类型，指定滞后阶数为1，确保检验针对性。ARCH检验结果（表7-3b）Obs*R-squared的p值=0.0011（<0.05），拒绝原假设，表明存在显著ARCH(1)效应。ARCH模型的参数估计：为何选择最大似然法为何不使用OLS？违背假设：ARCH模型的条件异方差结构违背了OLS关于同方差的基本假设。效率损失：OLS估计虽无偏但不再有效，无法充分利用数据的分布信息。最大似然估计(MLE)的优势原理：通过构建对数似然函数，利用数值优化求解最优参数。有效性：充分利用分布信息，提供更优估计，是行业标准方法。适用性：可灵活选择正态、t分布或GED分布处理厚尾现象。结论：MLE能有效处理异方差，充分挖掘数据信息，是估计ARCH模型的首选。ARCH模型的参数估计：操作路径与结果解读EViews操作路径选择`Quick->EstimateEquation`Method下拉选择`ARCH`设置均值、方差方程及分布假设方程结果解读均值方程：关注主体模型参数的显著性水平。方差方程：重点关注ARCH项系数，确认波动聚集特征。模型诊断检验对新模型的残差再次进行ARCH效应检验。确保模型已充分捕捉条件异方差特征。案例分析：ARCH模型的建立与设置步骤1：选择模型类型在EViews中，选择Quick->EstimateEquation，并在Method中选择ARCH方法。步骤2：定义均值方程在MeanEquation中输入主体模型表达式，例如：scxx(-1)x(-2)s(-1)步骤3：定义方差方程在VarianceEquation中选择ARCH模型，并设定阶数（如ARCH:1,GARCH:0）。步骤4：选择误差分布与界面预览通常选择默认的正态分布(Normal)作为扰动项的分布假设。案例分析：ARCH模型的结果解读与验证模型估计结果均值方程：参数估计结果与OLS结果类似，且均显著。方差方程：ARCH(1)项系数为3.3272，且显著，表明存在显著的ARCH效应。模型检验与结论模型有效性检验对新模型残差再次检验，p值为0.3306（>0.05），表明残差已不存在ARCH效应，模型有效。案例核心结论ARCH(1)模型成功捕捉了序列的条件异方差特征，设定合理，能有效刻画数据的波动聚集现象。02广义自回归条件异方差模型GARCH模型是ARCH模型的自然扩展，能更简洁地描述高阶ARCH效应。本节将介绍其基本形式与建模思路，并结合上交所案例演示EViews应用。GARCH模型的基本形式模型定义：对于回归或自回归模型的随机扰动项，若条件方差满足σt²=α0+α1ε(t-1)²+…+αqε(t-q)²+β1σ(t-1)²+…+βpσ(t-p)²，则称序列服从GARCH(p,q)过程。滞后算子形式：引入滞后算子B，模型可改写为(1-β1B-…-βpB^p)σt²=α0+(1+α1B+…+αqB^q)εt²。宽平稳条件：为保证GARCH(p,q)过程宽平稳，需满足参数约束条件：α1+α2+…+αq+β1+β2+…+βp<1。模型优势：引入条件方差滞后项，能用更简洁的形式（通常是GARCH(1,1)）描述大量金融时间序列的波动特征，避免了ARCH模型需要高q值的问题。GARCH模型的建模思路与优势建模思路：检验效应对主体模型的残差进行ARCH效应的LM检验。若在较大的q值（如q>7）下检验依然显著，说明存在高阶ARCH效应，需引入GARCH模型。建模思路：建立与验证优先尝试简单的GARCH(1,1)模型。根据AIC、SC信息准则及残差独立性检验，选择最优模型。模型优势：简洁与灵活简洁性：低阶模型即可捕捉高阶效应。灵活性：有效描述波动集群性和长期记忆性。广泛应用：金融波动率建模的标准工具。实证案例：上海证券交易所指数分析研究问题分析上海证券交易所1998年1月5日至2003年3月14日的交易日收盘指数（共1252个观测值）的波动特征。数据处理模型股价序列通常用随机游动模型描述，形式为：y_t=y_{t-1}+ε_tEViews操作步骤在命令行输入如下指令建立随机游动模型：lsycy(-1)初步检验结果对该模型的残差序列进行ARCH效应的LM检验，结果显示存在显著的高阶ARCH效应，因此适合建立GARCH模型。案例分析：GARCH模型的建立EViews操作路径步骤一：打开方程估计选择Quick->EstimateEquation菜单。步骤二：选择ARCH方法Method下拉菜单中选择ARCH选项。步骤三：定义均值方程输入主体模型：ycy(-1)。步骤四：设置阶数ARCH和GARCH阶数均设为1，建立GARCH(1,1)。模型设置说明ARCH项阶数(q=1)表示模型考虑了1阶的误差平方项，捕捉短期波动聚集。GARCH项阶数(p=1)表示模型考虑了1阶的条件方差滞后项，反映长期波动记忆。约束条件说明本例未使用IGARCH或VarianceTarget等约束，保持模型标准形式。案例分析：GARCH(1,1)模型估计结果展示模型估计结果展示关键参数解读均值方程特征y(-1)系数为1.00004，极接近1，验证序列符合随机游动模型。方差方程系数显著性ARCH项(0.0516)与GARCH项(0.8733)均显著，表明波动存在集群性。模型平稳性验证系数和为0.9249（小于1），满足GARCH模型的宽平稳条件。案例分析：模型拟合效果与核心结论模型拟合效果评价信息准则(InformationCriteria)模型的AIC值为3044.072，SC值为3055.323。数值较小，表明模型对数据的拟合效果良好。残差检验(ResidualTest)对残差序列进行ARCH效应检验，结果显示不存在显著的ARCH效应，说明模型已充分捕捉了条件异方差。案例核心结论通过GARCH(1,1)模型成功刻画了上海证券交易所交易日指数的波动集群性特征。指数波动受过去误差和过去波动水平的显著影响，符合金融时间序列的典型特征。GARCH(1,1)模型是描述该指数波动特征的有效工具。综合评价：模型拟合优度高，充分捕捉了数据的条件异方差特性，GARCH(1,1)模型适用于该场景的波动性分析。03其它类型的条件异方差模型介绍ARCH-M、TARCH、PARCH等扩展模型及EViews应用案例ARCH-M模型：风险与收益的联动模型定义在标准ARCH/GARCH模型的均值方程中，加入代表风险的项（通常是条件方差或标准差），以捕捉风险对收益率的直接影响。核心思想将风险作为解释变量引入收益率方程，直接检验和量化“高风险高回报”的经典金融理论，验证风险补偿机制的存在性。模型形式形式：y_t=μ+δσ_t²+ε_t其中，δ为风险补偿系数。若δ显著为正，则表明风险与收益正相关，即承担更高风险能获得更高回报。应用场景广泛应用于金融资产定价、投资组合优化及风险管理领域，用于量化分析风险因素对资产预期收益率的具体贡献。ARCH-M模型为理解“风险如何定价”提供了直接的计量工具，是连接波动率建模与资产定价理论的桥梁。案例演示：建立GARCH(1,1)-M模型准备与选择1.打开窗口：在EViews主界面，选择Quick->EstimateEquation。2.选择方法：Method下拉菜单中选择ARCH-AutoregressiveConditionalHeteroskedasticity。参数定义3.均值方程：MeanEquation框中输入主体模型，例如：ycy(-1)。4.ARCH-M项：右上角下拉菜单选择风险项形式（如Std.Dev.）。执行与结果5.方差阶数：在OrderARCH和GARCH后分别输入1和1。6.确定估计：点击确定，完成GARCH(1,1)-M模型参数估计。案例分析：GARCH(1,1)-M模型结果解读估计结果展示表：GARCH(1,1)-M模型参数估计与检验结果关键解读与分析风险补偿系数显著Std.Dev.系数为0.1732，t统计量显著，p值小于0.05。高风险高回报系数显著为正，表明指数回报率与风险正相关，符合金融理论。模型拟合良好AIC和SC值变化合理，引入风险项后模型具有良好的拟合效果。非对称ARCH模型：捕捉杠杆效应Non-symmetricARCHModels:CapturingtheLeverageEffect杠杆效应(LeverageEffect)金融研究发现，股票市场中，同等幅度的价格下跌（利空消息）往往比价格上涨（利好消息）带来更剧烈的波动性。这是因为股价下跌会增加公司的债务权益比，从而增加公司的风险，导致波动率上升。TARCH模型（门限ARCH）模型思想：通过引入一个名义变量来区分正负冲击对波动率的不同影响。模型形式：σt²=α0+α1εt-1²+γεt-1²It-1+β1σt-1²参数解读：It-1为名义变量，当εt-1<0时取1，否则取0。若γ>0且显著，则说明存在杠杆效应。非对称ARCH模型：EGARCH模型模型推导思路：EGARCH模型通过对条件方差取对数，将乘法形式的波动转化为加法形式，从而自然地避免了参数非负的约束。与TARCH模型对比：与TARCH模型相比，EGARCH模型对非对称效应的刻画更为灵活，不仅能捕捉杠杆效应，还能捕捉其他类型的非对称波动。实际应用优势：由于其灵活性和对参数约束的放松，EGARCH模型在实证研究中得到了广泛应用，尤其适用于波动率动态特征较为复杂的金融时间序列。案例演示：建立TARCH模型步骤一：基础设置打开方程估计窗口：选择Quick->EstimateEquation，并选择ARCH方法。定义均值方程：输入主体模型，例如：ycy(-1)。步骤二：模型配置设置模型类型：在“Model”下拉菜单中，选择TARCH。设置非对称项阶数：在“Threshold”后输入非对称项个数，通常为1。步骤三：参数估计设置方差方程阶数：在OrderARCH和GARCH后分别输入1和1。点击确定：完成模型设置，进行参数估计。案例分析：TARCH模型结果解读估计结果展示关键解读与结论杠杆效应系数RESID(-1)^2*(RESID(-1)<0)系数显著为正，存在非对称效应。经济意义市场负向冲击（利空）对条件方差的影响大于同等幅度的正向冲击（利好）。模型结论TARCH模型成功捕捉了该指数的非对称波动特征，验证了杠杆效应的存在。案例演示：建立EGARCH模型步骤一：窗口与方程定义打开方程估计窗口：选择Quick->EstimateEquation，并选择ARCH方法。定义均值方程：输入主体模型，例如：ycy(-1)。步骤二：模型与非对称设置设置模型类型：在对话框的“Model”下拉菜单中，选择EGARCH。设置非对称项阶数：在“Threshold”后面的框中输入1。步骤三：方差阶数与估计设置方差方程阶数：在OrderARCH和GARCH后面分别输入1和1。点击确定：完成模型设置，进行参数估计。案例分析：EGARCH模型结果解读估计结果展示关键参数与结论解读非对称项系数(γ)RESID(-1)/@SQRT(GARCH(-1))系数显著为负，表明存在杠杆效应。经济意义解读负向冲击对条件方差的正向影响更大，即坏消息引起的波动比等量好消息更大。模型结论验证EGARCH模型成功捕捉了指数的非对称波动特征，与TARCH模型结论一致。PARCH模型：更灵活的波动率建模PowerARCH:AMoreFlexibleVolatilityModelingApproach模型原理：不对条件方差建模，而是对条件标准差的幂次δ建模。σᵗᵟ=α₀+∑αᵢ(|εᵗ⁻ⁱ|+γᵢεᵗ⁻ⁱ)ᵟ+∑βⱼσᵗ⁻ʲᵟ核心优势：•灵活性：幂次δ由数据决定，灵活捕捉非对称冲击影响。•包容性：δ=2退化为GARCH；γᵢ=0退化为对称PARCH。应用场景：适用于波动率动态特征复杂，且传统对称GARCH模型无法有效拟合的金融时间序列分析。案例演示：建立与解读PARCH模型PARCH模型操作步骤基础配置与定义1.打开方程估计：Quick→EstimateEquation，选ARCH方法。2.定义均值方程：输入主体模型（如ycy(-1)）。3.选择模型类型：Model下拉菜单选择PARCH。参数设置与估计1.指定幂次（默认1）及ARCH/GARCH阶数。2.点击确定，执行参数估计。PARCH模型结果解读幂次参数解读模型输出估计得到的幂次δ，反映波动率对冲击的响应弹性。非对称效应检验分析非对称项系数γi的显著性，判断是否存在杠杆效应。模型拟合评估对比AIC和SC值，越低表示拟合效果越好。成分ARCH模型：分解长短期波动模型原理(ModelPrinciple)将条件方差分解为两部分：长期成分（描述长期趋势，缓慢变化）与短期成分（描述围绕趋势的短期波动，快速衰减）。模型形式(ModelForm)长期：$q_t=\omega+\rho(q_{t-1}-\omega)+\phi(\varepsilon_{t-1}^2-\sigma_{t-1}^2)$短期：$\sigma_t^2-q_t=\alpha(\varepsilon_{t-1}^2-q_{t-1})+\beta(\sigma_{t-1}^2-q_{t-1})$模型优势(Advantages)区分长期趋势与短期扰动，提供更深入的波动分析视角，有助于理解波动率的动态演变过程，避免单一维度分析的局限性。案例演示：建立与解读成分ARCH模型模型建立操作流程关键操作步骤1.路径：Quick->EstimateEquation->ARCH2.设置：输入均值方程(如ycy(-1))3.模型：选择ComponentARCH(1,1)EViews设置界面在对话框中确认“ComponentARCH(1,1)”选项，点击确定进行估计。估计结果解读要点参数解读逻辑1.长期成分：关注持续性参数$\rho$，反映波动率的长期趋势。2.短期成分：分析$\alpha+\beta$，判断短期波动的衰减速度。输出结果示例结果表将分别展示均值方程和方差方程的参数，重点关注方差方程中的长短期系数。FIGARCH模型：捕捉长记忆性FractionallyIntegratedGARCHModel模型原理分整GARCH模型旨在捕捉条件方差的长记忆性（LongMemory）特征，即过去的冲击对当前方差的影响会持续非常长的时间。模型形式通过引入分整算子(1-L)^d来描述长记忆性，其中d为分整阶数（0<d<1）。当d=0时退化为GARCH，d=1时退化为IGARCH。模型优势传统GARCH假设冲击几何衰减，而FIGARCH允许冲击影响以更缓慢的速度衰减，更符合某些金融时间序列的实际特征。应用场景适用于波动率具有长期记忆性的金融时间序列，如某些汇率序列、长期债券收益率序列或商品价格序列。案例演示：建立与解读FIGARCH模型模型操作步骤1.打开窗口：Quick->EstimateEquation，选择ARCH方法。2.定义方程：输入主体模型，例如：ycy(-1)。3.选择模型：Model下拉菜单中选择FIGARCH。4.参数设置：设置滞后截断数（默认1000），点击确定。模型结果解读分整阶数(d)分析：若d显著不为零，表明存在长记忆性。拟合效果比较：对比其他模型（如GARCH），评估模型优劣。本案例中FIGARCH拟合效果未优于GARCH，提示该指数波动率可能无显著长记忆性。04多变量ARCH模型MultivariateARCHModel模型形式一：DiagonalVECH模型DiagonalVECHModel模型原理：VECH模型是多变量GARCH模型的基础形式，其核心是将条件协方差矩阵的“半向量化”（VECH算子）表示为滞后残差平方项和滞后条件协方差项的线性组合。模型形式：vech(H_t)=C+∑_{i=1}^pA_ivech(ε_{t-i}ε_{t-i}')+∑_{j=1}^qB_jvech(H_{t-j})其中，H_t是条件协方差矩阵，vech(·)是半向量化算子，C,A_i,B_j是系数矩阵。参数限制与简化：1.未加限制的VECH模型参数过多，难以估计且无法保证半正定性。2.DiagonalVECH模型：将系数矩阵限制为对角矩阵，即每个变量的条件方差仅依赖于其自身的滞后项。这大大减少了参数数量，并保证了H_t的半正定性。模型形式二：DiagonalBEKK模型多变量GARCH模型的半正定保证与简化形式模型原理(BEKKModel)由Engle和Kroner于1995年提出，通过矩阵乘积构造条件协方差矩阵，天然保证矩阵的对称性和半正定性。一般形式公式：$H_t=C'C+\sum_{i=1}^pA_i'\epsilon_{t-i}\epsilon_{t-i}'A_i+\sum_{j=1}^qB_j'H_{t-j}B_j$其中C为下三角矩阵，A_i和B_j为参数矩阵。DiagonalBEKK与等价性将A_i和B_j限制为对角矩阵，利用Hadamard乘积简化计算。等价关系：在特定条件下与DiagonalVECH模型等价，因此EViews中两者输出结果常可互换。模型形式三：CCC模型(ConditionalConstantCorrelation)模型原理(Bollerslev,1990)核心假设：不同变量间的条件相关系数恒定不变，仅条件方差随时间变化。将协方差建模简化为方差建模与恒定相关系数估计。模型形式协方差矩阵分解：$H_t=D_tRD_t$其中$D_t$为条件标准差对角矩阵，$R$为恒定相关系数矩阵。模型优势1.极大简化：参数数量大幅减少，仅需估计单变量方差与恒定相关矩阵。2.易于理解：直观分离波动率变化与相关关系稳定性。局限性假设相关系数恒定，可能与实际金融市场中时变相关的特征不符，限制了对市场动态变化的捕捉能力。总结：CCC模型通过牺牲相关系数的时变性换取了模型的简洁性与易估计性，是多元GARCH模型的重要基础形式。案例演示：背景与数据准备研究目标：波动率联动旨在分析中国两大核心股票市场——上海证券市场与深圳证券市场的波动率特征，并深入探究二者之间的联动效应。数据选取：周度指数时间范围：1998年4月30日-2001年12月28日指标选取：上证综合指数(y1)、深证成份指数(y2)的周度数据特征分析与模型设定基于随机游走特征，设定均值模型：y1_t=y1_{t-1}+ε1_ty2_t=y2_{t-1}+ε2_t案例演示：建立均值模型系统1.创建System对象在EViews主界面，点击File->New->Object，在弹出的对话框中选择System，并为系统命名（如“SY01”）。2.输入均值方程在编辑窗口输入设定的均值方程，例如：y1=y1(-1)y2=y2(-1)EViews会自动添加随机误差项。3.保存设定输入完成后，点击工具栏的保存按钮，完成均值模型系统的建立，为后续分析做好准备。案例演示：设定方差模型与参数进入界面与模型选择路径：System对象菜单栏选择Proc->Estimate...，将估计方法改为“ARCH”。模型：在Model下拉菜单中选择“DiagonalVECH”形式。阶数设定与系数约束阶数：ARCH项和GARCH项均设为1阶（即ARCH(1)和GARCH(1)）。约束：CONSTANT选“Scalar”，ARCH(1)和GARCH(1)选“Rank1One”以保证半正定性。参数设置界面示例图：系统ARCH模型定义对话框

关键设置项已标注案例演示：模型估计与选项设置步骤1：选择误差分布在系统ARCH模型定义对话框的“Errordistribution”区域，选择“Normal”（正态分布）作为误差项的分布假设。步骤2：设置估计选项初始值：EViews自动提供算法：默认BHHH算法步骤3：执行估计所有设置完成后，点击“OK”按钮，EViews将开始进行迭代计算，估计出模型的所有参数。案例分析：模型结果解读（一）参数估计结果（表7-12）均值方程：C(1)、C(2)接近1，支持随机游走假设。方差方程：系数p值<0.05，统计显著，捕捉波动率。模型评价指标（表7-13）拟合优度：R²及调整R²均>0.99，拟合效果极佳。信息准则：AIC/SC值越小模型越优，用于模型选择。案例分析：模型结果解读（二）转换后的模型结果（表7-14）表中展示了多变量GARCH模型的系数矩阵，清晰呈现了条件方差与协方差方程的具体形式。结果解读与结论条件方差方程解读上证指数和深证成指的条件方差依赖于自身滞后残差平方项（ARCH）和滞后方差项（GARCH），符合模型特征。条件协方差方程解读协方差项依赖于滞后交叉残差乘积项和滞后协方差项，表明两市波动率存在显著的动态联动效应。研究结论模型不仅刻画了单市场波动特征，还揭示了市场间的波动溢出效应，对理解股市风险结构意义重大。第八章

联立方程模型本章目录01模型的基本问题介绍联立方程模型的必要性、基本概念（内生变量、先决变量）、结构式与简化式模型，以及模型识别的条件。02单方程估计讲解联立性问题导致OLS失效的原因，介绍工具变量法（IV）和两阶段最小二乘法（TSLS）的基本原理和应用。03系统估计法介绍似无关回归法（SUR）和三阶段最小二乘法（3SLS），利用方程间的相关性来提高估计效率。04联立方程模型的模拟学习如何在EViews中建立Model对象，进行模型求解和模拟，分析预测结果并进行政策模拟。01模型的基本问题第八章联立方程模型联立方程模型概述：从单方程到联立方程单方程模型的局限性单方程模型适用于揭示单个被解释变量受多个解释变量影响的因果关系，适用于描述单一的经济规律。但它无法处理变量之间相互依存、相互影响的复杂经济系统。联立方程模型的必要性现实的社会经济现象往往是一个由多个相互关联的经济规律组成的系统。例如，市场的供给和需求相互决定价格和交易量，消费和收入相互影响。要描述这样的系统，需要使用一组相互关联的方程，即联立方程模型。联立方程模型概述：基本概念与例子联立方程模型的定义联立方程模型是由多个相互关联的方程组成的系统，用于描述一个经济系统中多个变量之间的复杂关系。它至少包含两个待估计的方程。经典案例：供给-需求模型•需求方程:Qd=α₀+α₁P+α₂Y+ε₁(受价格P和收入Y影响)•供给方程:Qs=β₀+β₁P+ε₂(受价格P影响)•市场均衡:Qd=Qs(恒等式，需求量等于供给量)模型特点联立方程模型通常包含两类方程：一是描述经济主体行为的行为方程（如上述的需求、供给方程），二是描述市场均衡等条件的恒等方程。模型的核心特征在于变量之间存在相互影响和双向因果关系，而非单一的单向决定。联立方程模型概述：变量类型内生变量(EndogenousVariables)由模型内部的方程系统所决定的变量，其取值是模型求解的结果。例如：供给-需求模型中的价格P和交易量Q（Qd=Qs）。先决变量(PredeterminedVariables)在确定当期内生变量时，其取值已经确定的变量，包括：1.外生变量：由模型外部决定，如收入Y。2.滞后内生变量：内生变量的前期值，如P(-1)。核心概念总结联立方程模型通过区分内生变量和先决变量，构建了更贴近现实经济运行的系统框架。内生变量是模型的“果”，由系统内部互动产生；而先决变量是模型的“因”或“历史条件”，为系统提供了初始输入和外部约束。这种分类是进行模型识别和参数估计的基础。联立方程模型概述：结构式与简化式结构式模型(StructuralModel)直接反映经济理论和经济行为的模型形式，方程中包含内生变量和先决变量。其一般形式为：BY+AX=ε。例如，供给-需求模型的原始形式就是结构式模型。简化式模型(ReducedFormModel)将每个内生变量都表示为先决变量和随机扰动项的函数。通过对结构式模型进行代数变换，可以得到简化式模型：Y=ΠX+v。其中，Π=-B⁻¹A，v=B⁻¹ε。两者关系简化式模型是结构式模型的代数变形，它消除了内生变量之间的直接联系，为模型的估计和识别奠定了基础。通过这种变换，我们可以将复杂的联立关系转化为单一方程的估计问题，从而应用OLS等方法进行参数估计。模型识别：基本概念什么是模型识别？模型识别是指能否从简化式模型的参数（Π）估计出结构式模型的参数（B和A）的过程。它是连接简化式和结构式的桥梁。识别的三种情况•恰好识别：结构式参数可由简化式参数唯一确定。•过度识别：参数有多种估计值，需额外约束。•不可识别：无法估计出所有结构式参数。核心要点总结识别是进行参数估计的前提。只有恰好识别或过度识别的模型，才具备被估计的条件。对于不可识别的模型，必须通过改变模型设定（如引入或剔除变量、施加约束等）使其达到可识别状态，才能继续后续的计量分析。模型识别：识别条件（阶条件）阶条件的定义阶条件是判断模型可识别性的必要条件，其数学表达式为：K-kᵢ≥mᵢ-1。其中，K是先决变量总数，kᵢ是第i个方程包含的先决变量数，mᵢ是第i个方程包含的内生变量数。阶条件的判断规则1.如果K-kᵢ=mᵢ-1，则第i个方程恰好识别。2.如果K-kᵢ>mᵢ-1，则第i个方程过度识别。3.如果K-kᵢ<mᵢ-1，则第i个方程不可识别。案例应用：供给-需求模型验证在供给-需求模型中，对需求方程进行分析：已知先决变量总数K=2(Y,P(-1))，该方程包含的先决变量kᵢ=1(Y)，包含的内生变量mᵢ=2(Qd,P)。计算得：K-kᵢ=1，mᵢ-1=1。两者相等，因此该需求方程满足恰好识别的条件。模型识别：识别条件（秩条件）秩条件的定义秩条件是判断模型可识别性的充要条件。对于第i个方程，构造未包含变量在其他方程中系数组成的矩阵C。若矩阵C的秩等于(mᵢ-1)，则该方程可识别。秩条件的作用秩条件是判断模型可识别性的根本依据。若阶条件满足但秩条件不满足，模型依然不可识别。实际应用中，通常先用阶条件初筛，再用秩条件最终确认。核心结论与应用逻辑1.充要性：满足秩条件⇨模型一定可识别；不满足秩条件⇨模型一定不可识别。2.检验逻辑：阶条件（必要非充分）用于快速排除明显不可识别的模型，秩条件用于最终确认可识别性，二者结合使用效率最高。02单方程估计第八章联立方程模型联立性问题与估计方法概述联立性问题(Simultaneity)在联立方程模型中，由于内生变量出现在方程的右边作为解释变量，导致解释变量与随机扰动项相关。这违反了普通最小二乘法（OLS）的基本假设，使得OLS估计量是有偏且不一致的。估计方法分类联立方程模型的估计方法主要分为两大类：单方程估计法:逐一估计模型中的每个方程，包括工具变量法（IV）和两阶段最小二乘法（TSLS）。系统估计法:同时估计模型中的所有方程，考虑方程间的相关性，如三阶段最小二乘法（3SLS）。本节重点本节将重点介绍单方程估计法中的工具变量法和两阶段最小二乘法，这是解决联立性问题最常用的两种有效手段。工具变量法(IV)：基本原理核心思想为与扰动项相关的内生解释变量寻找一个“工具变量”（IV,Z）。该变量需满足两个条件：1.与内生解释变量高度相关；2.与随机扰动项不相关。工具变量的作用工具变量Z相当于内生解释变量X的一个“干净”的代理变量，它提取了X中与扰动项无关的部分，从而解决了解释变量与扰动项相关的问题。估计性质工具变量法不能保证估计量的无偏性，但在大样本下可以得到一致的估计量。这意味着随着样本量的增加，估计结果会收敛于真实的参数值。工具变量法(IV)：案例分析恰好识别的情况以供给-需求模型为例，需求方程是恰好识别的。我们可以选择外生变量“单位成本价格(ft)”作为工具变量，替代内生变量“价格(Pt)”，从而得到一致估计。过度识别的情况供给方程是过度识别的。此时有多个外生变量（如收入yt、银行存款dt）都可以作为工具变量，但选择不同的工具变量会得到不同的估计结果，这会导致信息损失，无法确定哪个结果更优。IV方法的局限性工具变量法在处理过度识别问题时存在局限性，无法充分利用所有可用的工具变量信息。在存在多个有效工具变量时，简单地选择其中一个会丢弃其他变量包含的信息，从而降低估计效率或引入不确定性。两阶段最小二乘法(TSLS)：基本原理第一阶段：构造工具变量将方程右边的内生解释变量（如Pt）对模型中所有的先决变量（如yt,ft,dt）进行回归，得到内生变量的拟合值（Pt_hat）。该拟合值综合了所有先决变量信息，是最优工具变量。第二阶段：OLS估计将拟合值（Pt_hat）替换原方程中对应的内生解释变量（Pt），然后使用普通最小二乘法（OLS）对替换后的方程进行估计，得到结构式参数的一致估计。TSLS的核心优势TSLS能够有效解决过度识别问题，通过综合所有先决变量的信息构造最优工具变量，充分利用了模型中所有可用的工具变量信息，从而得到唯一的、更有效的参数估计值，避免了简单工具变量法在过度识别时无法确定唯一估计量的困境。案例引入：例8-1案例背景建立中国居民消费支出（C）和股市收益率（SI）的联立方程模型，分析两者之间的内生关系：消费影响股市，股市也通过财富效应影响消费。模型形式消费方程:lnC=α₀+α₁lnSI+α₂lnDPI+ε₁(消费受股市收益和可支配收入影响)股市方程:lnSI=β₀+β₁lnC+β₂lnGDP+β₃lnM2+ε₂(股市收益受消费、GDP和货币供应量影响)模型识别结论消费方程是过度识别的，适合用TSLS（两阶段最小二乘法）进行估计。EViews建模步骤1：模型设定操作路径1.打开EViews，确保数据已成功导入工作文件。2.点击主菜单Quick→EstimateEquation，打开方程估计对话框。3.在Method下拉菜单中选择TSLS(两阶段最小二乘法)。输入方程与工具变量EquationSpecification(方程设定):@log(c01)c@log(si)@log(dpi)Instrumentlist(工具变量列表):c@log(dpi)@log(gdp)@log(m2)操作界面预览(图8-1)关键提示：在工具变量列表中，必须包含模型中所有的先决变量（即外生变量和滞后内生变量），以保证估计量的一致性。同时注意样本区间的选择。EViews建模步骤2：结果解读基于TSLS估计的模型诊断与经济含义分析模型估计结果TSLS估计摘要：展示回归系数、标准误、t统计量及p值。通过EViews输出表（表8-1）可知，核心变量系数符号与预期一致，且通过显著性检验。系数解读股市收益率(lnSI):+0.31存在显著财富效应，股市上涨促进消费。可支配收入(lnDPI):显著为正符合经济理论，收入增加带动消费提升。模型诊断DW统计量:0.725远小于临界值2，表明模型残差序列存在显著正自相关性。需进一步优化模型，消除自相关影响以提高估计效率。结论总结：模型验证了股市财富效应和收入效应的存在性，但自相关性问题提示我们需要引入AR项或使用Newey-West标准误进行修正，以获得更稳健的推断结果。模型优化：处理自相关问题识别DW检验表明残差存在正自相关，这会直接影响参数估计的有效性与准确性。解决方法在方程中引入ARMA项消除自相关。例如，加入AR(1)项以修正一阶自回归过程带来的影响。核心原理通过引入滞后项，将原模型转换为非线性最小二乘问题，利用迭代算法获得更有效的估计量。EViews实操步骤1.在EquationSpecification中加入AR(1)。2.勾选IncludelaggedregressorsforARMA选项。操作界面示例(图8-2)图示为加入ARMA项后的TSLS设置对话框。注意方程设定中的ar(2)项及下方的勾选选项。IV与TSLS的关系恰好识别时当方程恰好识别时，工具变量法（IV）和两阶段最小二乘法（TSLS）是等价的，它们会得到完全相同的参数估计结果。过度识别时当方程过度识别时，TSLS方法利用了所有可用的工具变量信息，能够得到唯一且更有效的参数估计值，是更优的选择。而工具变量法则因选择不同的工具变量而得到不同结果，存在信息损失。总结TSLS是工具变量法的推广，是处理联立方程模型单方程估计的标准方法。在恰好识别时两者等价，但在过度识别时，TSLS能更充分利用信息，因此在实证分析中更为常用。03系统估计法第八章联立方程模型系统估计法概述单方程估计法的局限性单方程估计法（如TSLS）在方程间存在残差相关时，虽能得到一致估计，但结果非最有效（方差非最小），无法利用方程间的相关信息。系统估计法的核心思想将联立方程模型视为整体，同时估计所有参数。充分利用方程间残差的相关性信息，从而得到更有效（方差更小）的参数估计结果。主要的系统估计法1.似无关回归法(SUR)：适用于方程右端只有先决变量，但方程间存在残差相关的情况。2.三阶段最小二乘法(3SLS)：适用于方程间存在残差相关且方程右端含有内生变量的情况，是更通用的系统估计法。似无关回归法(SUR)：基本原理适用条件1.模型中的每个方程都是可识别的；2.方程的解释变量均为先决变量（外生变量/滞后内生变量）；3.不同方程扰动项存在同期相关，同一方程无序列相关和异方差。核心思想核心是广义最小二乘法（GLS）：1.用OLS估计每个方程得到残差；2.利用残差估计方程间协方差矩阵并作为权重，对系统进行GLS估计以提升效率。“似无关”的含义虽然方程之间通过残差项存在实际的相关联，但从形式上看，每个方程的解释变量都是先决变量，方程之间在形式上似乎是不相关的，因此该方法被命名为“似无关回归”（SeeminglyUnrelatedRegression）。似无关回归法(SUR)：EViews操作操作路径点击Object→NewObject→System，建立系统对象。在系统对象窗口中，输入待估计的所有方程。点击Estimate，选择SeemlyUnrelatedRegression(SUR)。选项设置在SUR的选项设置中，可对迭代控制等参数进行设置，以控制GLS加权矩阵的计算过程，优化估计效果。图8-8：SUR估计选项设置窗口界面关键提示：SUR估计的核心在于利用不同方程扰动项之间的相关性提高估计效率，确保在输入方程时变量定义的一致性。似无关回归法(SUR)：案例结果与分析估计结果展示基于消费-股市模型，应用SUR方法进行参数估计。结果显示（参考表8-5），模型在整体拟合优度上表现良好，各方程的系数符号与理论预期基本一致。结果解读与对比对比单方程OLS估计结果，SUR估计的系数标准误显著更小。这验证了SUR方法在处理同期相关扰动项时的优势：能够有效利用不同方程间的信息，从而提高估计效率。SUR方法的局限性尽管SUR提高了效率，但本案例中方程右端含有内生变量（如消费方程中的股市收益率SI）。这违反了SUR关于“解释变量严格外生”的假设，导致直接使用SUR可能得到不一致的估计结果。核心结论：SUR是提高估计效率的有力工具，但其有效性建立在“解释变量严格外生”的基础上。当模型存在内生性问题时，SUR不再适用，必须转向GMM（广义矩估计）等更稳健的方法。三阶段最小二乘法(3SLS)：基本原理适用条件3SLS适用于更一般的联立方程模型场景：1.模型中的每个方程均满足可识别条件；2.不同方程的随机扰动项之间存在同期相关性；3.方程的解释变量中包含内生变量。三个步骤第一阶段：对每个方程使用两阶段最小二乘法（TSLS）估计，得到残差。第二阶段：利用第一阶段残差，估计方程间的协方差矩阵。第三阶段：以协方差矩阵为权重，对系统进行广义最小二乘（GLS）估计。方法优势3SLS方法结合了两阶段最小二乘法（TSLS）和似不相关回归（SUR）的双重优点：一方面，它通过工具变量解决了模型中内生变量带来的估计偏误问题，保证了参数估计的一致性；另一方面，它充分利用了不同方程扰动项之间的相关性信息，相比单一方程估计，显著提高了估计效率。3SLS：EViews操作（相同工具变量）操作路径1.建立系统对象，输入所有待估计的方程。2.在系统对象窗口中，输入工具变量列表，格式为`inst工具变量1工具变量2...`。3.点击`Estimate`按钮，在估计方法中选择`Three-StageLeastSquares(3SLS)`。工具变量设定工具变量列表需要包含模型中所有的先决变量。对于所有方程，可以使用相同的工具变量列表。案例操作：消费-股市模型在消费-股市模型中，我们需要明确指定工具变量列表。具体指令如下：inst@log(dpi)@log(gdp)@log(m2)注：此处假设dpi（个人可支配收入）、gdp（国内生产总值）、m2（货币供应量）为模型中的先决变量。三阶段最小二乘法(3SLS)：案例结果与分析（相同工具变量）估计结果展示展示使用相同工具变量的3SLS估计结果（表8-6）。结果显示模型整体拟合优度良好，关键变量系数符号符合经济理论预期。结果解读3SLS的估计结果与TSLS类似，但系数的标准误更小，说明估计效率更高。这表明3SLS成功地利用了方程间的相关性信息，提升了推断精度。方法有效性由于3SLS方法适用于含有内生变量的联立方程模型情况，且工具变量有效，因此这个结果是一致且有效的，可作为政策分析的可靠依据。核心结论：相比TSLS，3SLS在保持一致性的同时，通过合并方程间的信息显著降低了估计方差，是处理系统方程估计更优的选择。在本例中，其估计结果具有更高的参考价值。3SLS：EViews不同工具变量操作指南操作方法在EViews的系统对象中，可为不同方程指定专属工具变量。操作：在每个方程末尾添加`@`符号，后紧跟该方程的工具变量列表。案例操作消费方程：`@log(si)(-1)@log(dpi)@log(gdp)@log(m2)`股市收益方程：`@log(c01)(-1)@log(dpi)@log(gdp)@log(m2)`结果展示与对比分析展示表8-7中使用不同工具变量的3SLS估计结果，并与使用相同工具变量的估计结果进行对比，验证估计的一致性与有效性。单方程估计法与系统估计法的比较单方程估计法(IV,TSLS)•优点：简单易行，计算量小，适用于只关注单个方程的情况。•缺点：当方程间存在显著的残差相关时，估计效率较低。系统估计法(SUR,3SLS)•优点：充分利用方程间的相关性信息，估计效率更高。•缺点：计算相对复杂，对模型设定的错误更敏感。方法选择原则如果方程间的残差相关性不显著，使用单方程估计法（如TSLS）即可；如果相关性显著，则应使用系统估计法（如3SLS）以获得更有效的估计。04联立方程模型的模拟第八章联立方程模型模型模拟概述模拟的目的模型模拟的主要目的是进行预测，检验所建立模型的预测能力和稳定性，评估模型的优劣，为政策分析和决策提供依据。模拟的意义通过模拟，我们可以回答“如果...将会怎样？”的问题，例如，分析外生变量变化对内生变量的影响，评估不同政策情景下的经济效果。EViews中的模拟工具EViews提供了强大的模型模拟功能，主要通过`Model`对象来实现对联立方程模型的求解和模拟。利用该工具，用户可以方便地进行动态或静态模拟，以及进行政策情景分析。在EViews中建立Model对象方法一：从系统对象生成在已估计的系统对象（System）窗口中，点击Proc->MakeModel，可直接生成包含该系统所有方程的Model对象。方法二：新建Model对象并连接1.点击Object->NewObject->Model新建对象。2.在窗口中输入命令:s