大学本科计量经济学联立方程组模型分析教学设计

大学本科计量经济学联立方程组模型分析教学设计  一、课程基本信息  【基础】课程名称：计量经济学  授课章节：联立方程组模型分析（五）——模型的识别、估计与检验应用  授课对象：大学本科经济学专业三、四年级学生  授课学时：2学时（90分钟）  教学地点：多媒体网络教室或智慧教室  先修知识：学生已完成基础统计学、初级计量经济学（含一元与多元线性回归、虚拟变量、基础时间序列）以及联立方程组模型前四讲的学习，已掌握联立方程模型的基本概念、变量分类（内生、外生、前定）、结构式与简化式的转化。  二、教学目标设计  （一）知识与技能目标  1、【重要】深入理解并能够准确陈述联立方程组模型识别的概念，掌握识别的阶条件与秩条件的数学表述及其经济学含义。学生能够在给定具体经济模型时，独立判断方程是否可识别（恰好识别或过度识别）。  2、【非常重要】熟练掌握恰好识别模型的估计方法——间接最小二乘法（ILS）的原理、步骤与适用条件，并能通过软件（如EViews、Stata）完成实际操作与结果解读。  3、【非常重要】【高频考点】系统掌握过度识别模型的估计方法——两阶段最小二乘法（2SLS）的数学原理、推导过程、操作步骤及其在计量软件中的实现。能够区分2SLS与ILS的应用场景。  4、了解系统估计方法（如三阶段最小二乘法3SLS）的基本思想及其相对于单一方程估计方法的效率优势与潜在风险。  5、能够运用所学知识，对一个完整的宏观经济学或微观经济学联立模型进行识别判定、参数估计和初步的结果经济意义解释。  （二）过程与方法目标  1、通过案例驱动教学法，引导学生从具体的经济问题出发，经历“模型设定—识别判断—方法选择—软件实现—结果解读”的完整实证分析过程。  2、培养学生在处理复杂经济系统时的结构化思维，理解“内生性”问题的本质及其在联立方程框架下的解决方案。  3、通过比较分析ILS、2SLS及OLS在联立方程估计中的表现，深化学生对“估计量一致性”这一核心统计性质的理解。  （三）情感、态度与价值观目标  1、培养学生严谨求实的科学态度，认识到在复杂的现实经济中，不存在放之四海而皆准的简单模型，方法的选取必须服务于对经济现象本质的探究。  2、强化学生的经济学直觉，理解数学工具与统计方法背后的经济逻辑，避免“为计量而计量”的误区。  3、引导学生思考模型设定的边界与局限性，培养批判性思维，不盲目接受模型结果。  三、教学重点与难点  （一）【重点】  1、联立方程模型的识别条件：阶条件和秩条件的逻辑关系与具体运用。  2、恰好识别模型的估计：间接最小二乘法（ILS）的原理与应用。  3、【高频考点】过度识别模型的估计：两阶段最小二乘法（2SLS）的原理、第一阶段回归的作用与第二阶段回归的正确性。  （二）【难点】  1、识别问题中“统计上可区分”与“经济上有意义”之间的关联。学生往往记住了阶条件的公式，却难以理解为何排除某些变量就能解决识别问题。  2、2SLS中第一阶段拟合值的含义及其如何消除内生性偏误的直观理解。学生容易陷入复杂的数学推导而忽略了其核心思想——工具变量法的扩展应用。  3、在软件操作中，如何正确解读2SLS的各种检验统计量（如弱工具变量检验、Sargan过度识别检验）。  四、教学方法与准备  （一）教学方法  1、讲授法：系统讲解识别的数学原理、估计方法的理论推导。  2、案例分析法：以经典的凯恩斯宏观经济模型（消费函数、投资函数、收入恒等式）和劳动力供给模型作为贯穿始终的案例。  3、问题驱动法：通过设置一系列递进式的问题，引导学生主动思考，例如：“如果直接对消费函数用OLS，会有什么问题？”“我们凭什么相信2SLS能给出更好的答案？”  4、对比教学法：在同一案例中，分别展示OLS、ILS、2SLS的估计结果，让学生直观感受估计量偏误的大小和方向。  5、实操演练法：课堂上预留时间，让学生在教师指导下，使用Stata软件对简化案例进行实时操作，加深记忆。  （二）教学准备  1、多媒体课件：制作逻辑清晰、重点突出的PPT，包含必要的数学公式推导动画和案例结果展示。  2、数据集：准备两个典型的数据集。一个是用于课堂演示的小规模模拟数据集（确保识别条件清晰）；另一个是用于课后作业的实际宏观数据集（如中国的宏观年度数据）。  3、软件环境：确保教学用电脑和学生用电脑均安装好Stata或EViews计量分析软件，并提前测试。  4、【非常重要】预习资料：课前通过教学平台发布预习任务，要求学生复习前四讲中关于内生性、工具变量的概念，并思考为何在联立方程中不能直接使用OLS。  五、教学实施过程  （一）复习导入与问题聚焦（约8分钟）  【基础】教师活动：通过PPT展示一个简单的两方程凯恩斯模型：  消费函数：Ct=α0+α1Yt+u1tC_t=\alpha_0+\alpha_1Y_t+u_{1t}Ct​=α0​+α1​Yt​+u1t​  收入恒等式：Yt=Ct+ItY_t=C_t+I_tYt​=Ct​+It​  （其中，CtC_tCt​为消费，YtY_tYt​为收入，ItI_tIt​为投资（外生），u1tu_{1t}u1t​为随机扰动项）  引导学生思考：如果我们想估计消费函数，直接用OLS回归CtC_tCt​对YtY_tYt​会得到一致的估计量吗？为什么？  【难点】学生讨论并回答：不会。因为从恒等式可推导出Yt=Ct+ItY_t=C_t+I_tYt​=Ct​+It​，将消费函数代入，可解出简化式。可以直观发现，YtY_tYt​与u1tu_{1t}u1t​相关（联立性偏误）。这复习了联立性带来的内生性问题。  教师总结：这就是我们前几讲谈到的“联立方程偏误”。要得到一致的估计，必须采用专门的方法。本节课的核心任务，就是解决在这样一个系统中，如何正确地估计出诸如消费函数这样的结构方程。我们不仅要知道不能用OLS，更要系统学习该用什么方法，以及为什么能用该方法。  （二）核心环节一：模型识别问题的深化与判定（约17分钟）  1、识别问题的实质  【重要】教师讲解：识别问题，简单来说，就是“我们能否从简化式参数（可直接用OLS估计的）推导出唯一的、我们关心的结构式参数”。如果一个结构方程的参数无法由简化式参数唯一确定，那么这个方程就是不可识别的。  2、识别的阶条件（必要条件）  教师给出一般形式：  对于一个包含MMM个内生变量的联立方程组模型，对于其中某一个方程（比如第iii个方程），识别的阶条件为：  该方程未包含的前定变量个数≥\ge≥该方程包含的内生变量个数1。  如果用符号表示：设KKK为模型中前定变量的总数，kik_iki​为第iii个方程中包含的前定变量数，mim_imi​为第iii个方程中包含的内生变量数。则阶条件可写为：  K−ki≥mi−1Kk_i\gem_i1K−ki​≥mi​−1  【高频考点】教师解释：K−kiKk_iK−ki​是该方程排除掉的（或者说不在方程中的）前定变量个数，这些变量在其他方程中出现，起到了工具变量的作用。mi−1m_i1mi​−1是该方程右侧的内生解释变量个数（因为左侧的内生变量系数通常归一化为1）。阶条件的逻辑是：要解决右侧内生变量的内生性问题，我们至少需要找到与内生变量数量一样多的有效工具变量，而这些工具变量恰好来自被排除在方程之外的、且与扰动项不相关的前定变量。  具体情形：  如果K−ki=mi−1Kk_i=m_i1K−ki​=mi​−1，为“恰好识别”。  如果K−ki>mi−1Kk_i>m_i1K−ki​>mi​−1，为“过度识别”。  如果K−ki<mi−1Kk_i<m_i1K−ki​<mi​−1，为“不可识别”。  3、识别的秩条件（充分必要条件）  【难点】教师指出：阶条件只是必要条件，可能会因为排除的变量中某些与内生变量不相关而导致识别失败。秩条件才是充分必要条件。秩条件的核心是检查被排除变量构成的矩阵的秩。  操作思路：对于第iii个方程，从所有变量（包括所有内生和前定）的系数矩阵中，划掉该方程所在的第iii行，再划掉该方程中包含的变量对应的列。剩下的矩阵称为“排除变量系数矩阵”。如果这个矩阵的秩等于M−1M1M−1（内生变量的总数减1），则该方程可识别。这个条件保证了我们有足够多且线性独立的工具变量。  4、案例分析：以三人经济模型为例  教师展示一个稍复杂的模型：  （1）消费函数：Ct=α0+α1Yt+α2Ct−1+u1tC_t=\alpha_0+\alpha_1Y_t+\alpha_2C_{t1}+u_{1t}Ct​=α0​+α1​Yt​+α2​Ct−1​+u1t​  （2）投资函数：It=β0+β1Yt+β2Yt−1+u2tI_t=\beta_0+\beta_1Y_t+\beta_2Y_{t1}+u_{2t}It​=β0​+β1​Yt​+β2​Yt−1​+u2t​  （3）收入恒等式：Yt=Ct+It+GtY_t=C_t+I_t+G_tYt​=Ct​+It​+Gt​  其中，内生变量：Ct,It,YtC_t,I_t,Y_tCt​,It​,Yt​（M=3M=3M=3）；前定变量：Ct−1,Yt−1,GtC_{t1},Y_{t1},G_tCt−1​,Yt−1​,Gt​（K=3K=3K=3）。  引导学生逐个方程判定：  消费函数：包含内生变量Ct,YtC_t,Y_tCt​,Yt​（m1=2m_1=2m1​=2），包含前定变量Ct−1C_{t1}Ct−1​（k1=1k_1=1k1​=1）。阶条件：K−k1=3−1=2Kk_1=31=2K−k1​=3−1=2，m1−1=1m_11=1m1​−1=1，2≥12\ge12≥1，满足阶条件，且为过度识别。教师再简要示意秩条件的检验逻辑，强调必须实际去验证排除的变量（Yt−1,GtY_{t1},G_tYt−1​,Gt​）是否提供了足够的信息。  投资函数：包含内生变量It,YtI_t,Y_tIt​,Yt​（m2=2m_2=2m2​=2），包含前定变量Yt−1Y_{t1}Yt−1​（k2=1k_2=1k2​=1）。阶条件：K−k2=3−1=2Kk_2=31=2K−k2​=3−1=2，m2−1=1m_21=1m2​−1=1，2≥12\ge12≥1，满足阶条件，也为过度识别。  收入恒等式：这是一个会计恒等式，通常认为无需识别，也无须估计参数。  通过此案例，让学生掌握阶条件的简单运算，并理解过度识别与恰好识别的区别。  （三）核心环节二：恰好识别模型的估计——间接最小二乘法（ILS）（约15分钟）  1、ILS的基本思想  【重要】教师讲解：对于恰好识别的方程，结构式参数与简化式参数之间存在一一对应的关系。因此，我们可以先通过OLS估计简化式方程（因为简化式方程中所有解释变量都是前定的，与扰动项不相关），得到简化式参数的估计值。然后，通过参数关系体系，反向求解出结构式参数的估计值。  2、数学推导  沿用最简单的凯恩斯模型：  结构式：  Ct=α0+α1Yt+u1tC_t=\alpha_0+\alpha_1Y_t+u_{1t}Ct​=α0​+α1​Yt​+u1t​(1)  Yt=Ct+ItY_t=C_t+I_tYt​=Ct​+It​(2)  将(1)代入(2)：  Yt=α0+α1Yt+u1t+ItY_t=\alpha_0+\alpha_1Y_t+u_{1t}+I_tYt​=α0​+α1​Yt​+u1t​+It​  整理得简化式：  Yt=α01−α1+11−α1It+u1t1−α1Y_t=\frac{\alpha_0}{1\alpha_1}+\frac{1}{1\alpha_1}I_t+\frac{u_{1t}}{1\alpha_1}Yt​=1−α1​α0​​+1−α1​1​It​+1−α1​u1t​​  即：Yt=π10+π11It+v1tY_t=\pi_{10}+\pi_{11}I_t+v_{1t}Yt​=π10​+π11​It​+v1t​(3)  再将(3)代回(1)：  Ct=α0+α1(π10+π11It+v1t)+u1tC_t=\alpha_0+\alpha_1(\pi_{10}+\pi_{11}I_t+v_{1t})+u_{1t}Ct​=α0​+α1​(π10​+π11​It​+v1t​)+u1t​  整理得消费的简化式：  Ct=(α0+α1π10)+α1π11It+(α1v1t+u1t)C_t=(\alpha_0+\alpha_1\pi_{10})+\alpha_1\pi_{11}I_t+(\alpha_1v_{1t}+u_{1t})Ct​=(α0​+α1​π10​)+α1​π11​It​+(α1​v1t​+u1t​)  即：Ct=π20+π21It+v2tC_t=\pi_{20}+\pi_{21}I_t+v_{2t}Ct​=π20​+π21​It​+v2t​(4)  现在，我们用OLS估计简化式方程(3)和(4)，得到π^11\hat{\pi}_{11}π^11​和π^21\hat{\pi}_{21}π^21​。参数关系体系为：  π21=α1π11\pi_{21}=\alpha_1\pi_{11}π21​=α1​π11​  因此，消费函数的边际消费倾向α1\alpha_1α1​的ILS估计量为：  α^1,ILS=π^21π^11\hat{\alpha}_{1,ILS}=\frac{\hat{\pi}_{21}}{\hat{\pi}_{11}}α^1,ILS​=π^11​π^21​​  而α^0\hat{\alpha}_0α^0​也可通过α^0=π^20−α^1,ILSπ^10\hat{\alpha}_0=\hat{\pi}_{20}\hat{\alpha}_{1,ILS}\hat{\pi}_{10}α^0​=π^20​−α^1,ILS​π^10​求得。  3、ILS估计量的性质  教师强调：由于π^11\hat{\pi}_{11}π^11​和π^21\hat{\pi}_{21}π^21​都是OLS估计量，具有一致性，因此α^1,ILS\hat{\alpha}_{1,ILS}α^1,ILS​作为它们的比，在分母概率极限不为零的情况下，也是一致估计量。但在有限样本下可能是有偏的。  （四）核心环节三：过度识别模型的估计——两阶段最小二乘法（2SLS）（约30分钟）  1、从ILS到2SLS  【非常重要】教师引出问题：在上述三人经济模型中，消费函数是过度识别的。此时，参数关系体系不再是简单的一一对应，而是存在多个简化式参数可以推导同一个结构式参数，产生多个ILS估计量，且互不相同。我们该如何得到一个“最优”的唯一估计量？这就是2SLS要解决的问题。  2、2SLS的核心思想  【难点】教师用最通俗的语言解释：2SLS的本质是一种特殊的工具变量法。它利用模型中所有前定变量（即系统中所有的工具变量候选者）的线性组合，为结构方程中每个内生解释变量构造出一个“最优”的工具变量——即该内生变量对所有前定变量进行回归所得到的拟合值。这个拟合值剥离了原内生变量中与扰动项相关的部分。  3、2SLS的数学步骤  假设我们要估计的结构方程为：  y1=β0+β1y2+γ1z1+γ2z2+uy_1=\beta_0+\beta_1y_2+\gamma_1z_1+\gamma_2z_2+uy1​=β0​+β1​y2​+γ1​z1​+γ2​z2​+u  其中，y1,y2y_1,y_2y1​,y2​是内生变量，z1,z2z_1,z_2z1​,z2​是外生变量。模型中的其他前定变量记为z3,z4,…,zkz_3,z_4,\dots,z_kz3​,z4​,…,zk​。  【第一阶段：生成工具变量】  用OLS估计简化式方程，即用模型中所有的前定变量z1,z2,z3,…,zkz_1,z_2,z_3,\dots,z_kz1​,z2​,z3​,…,zk​对y2y_2y2​进行回归：  y2=π0+π1z1+π2z2+π3z3+⋯+πkzk+vy_2=\pi_0+\pi_1z_1+\pi_2z_2+\pi_3z_3+\dots+\pi_kz_k+vy2​=π0​+π1​z1​+π2​z2​+π3​z3​+⋯+πk​zk​+v  得到y2y_2y2​的拟合值y^2=π^0+π^1z1+⋯+π^kzk\hat{y}_2=\hat{\pi}_0+\hat{\pi}_1z_1+\dots+\hat{\pi}_kz_ky^​2​=π^0​+π^1​z1​+⋯+π^k​zk​。  教师特别强调：【重要】这个拟合值y^2\hat{y}_2y^​2​是全体前定变量的线性组合。根据大样本理论，y^2\hat{y}_2y^​2​与扰动项uuu不相关（渐近不相关），且与y2y_2y2​本身高度相关。因此，y^2\hat{y}_2y^​2​是y2y_2y2​的一个非常好的工具变量。  【第二阶段：替代并估计】  在原结构方程中，用第一阶段得到的拟合值y^2\hat{y}_2y^​2​替换内生解释变量y2y_2y2​，然后进行OLS估计：  y1=β0+β1y^2+γ1z1+γ2z2+u∗y_1=\beta_0+\beta_1\hat{y}_2+\gamma_1z_1+\gamma_2z_2+u^y1​=β0​+β1​y^​2​+γ1​z1​+γ2​z2​+u∗  （注意：这里扰动项发生了变化，但参数估计量是一致的。）  最终得到的β^1,γ^1,γ^2\hat{\beta}_1,\hat{\gamma}_1,\hat{\gamma}_2β^​1​,γ^​1​,γ^​2​就是2SLS估计量。  4、2SLS的矩阵形式与统计性质  对于高阶学生，教师简要展示2SLS的矩阵表达式，以体现其严谨性：  设结构方程写为：y1=Y2β+Z1γ+u=Xδ+u\mathbf{y_1}=\mathbf{Y_2}\boldsymbol{\beta}+\mathbf{Z_1}\boldsymbol{\gamma}+\mathbf{u}=\mathbf{X}\boldsymbol{\delta}+\mathbf{u}y1​=Y2​β+Z1​γ+u=Xδ+u  其中X=[Y2,Z1]\mathbf{X}=[\mathbf{Y_2},\mathbf{Z_1}]X=[Y2​,Z1​]。设所有前定变量（包括Z1\mathbf{Z_1}Z1​和系统内其他前定变量Z2\mathbf{Z_2}Z2​）构成的矩阵为Z=[Z1,Z2]\mathbf{Z}=[\mathbf{Z_1},\mathbf{Z_2}]Z=[Z1​,Z2​]。  第一阶段：计算Y2\mathbf{Y_2}Y2​对Z\mathbf{Z}Z回归的拟合值Y^2=Z(Z′Z)−1Z′Y2\hat{\mathbf{Y}}_2=\mathbf{Z}(\mathbf{Z}'\mathbf{Z})^{1}\mathbf{Z}'\mathbf{Y_2}Y^2​=Z(Z′Z)−1Z′Y2​。  构造新的解释变量矩阵X^=[Y^2,Z1]\hat{\mathbf{X}}=[\hat{\mathbf{Y}}_2,\mathbf{Z}_1]X^=[Y^2​,Z1​]。  第二阶段：做y1\mathbf{y_1}y1​对X^\hat{\mathbf{X}}X^的回归，得到2SLS估计量：  δ^2SLS=(X^′X^)−1X^′y1\hat{\boldsymbol{\delta}}_{2SLS}=(\hat{\mathbf{X}}'\hat{\mathbf{X}})^{1}\hat{\mathbf{X}}'\mathbf{y_1}δ^2SLS​=(X^′X^)−1X^′y1​  或者等价地写为工具变量法的形式：  δ^2SLS=(X′Z(Z′Z)−1Z′X)−1X′Z(Z′Z)−1Z′y1\hat{\boldsymbol{\delta}}_{2SLS}=(\mathbf{X}'\mathbf{Z}(\mathbf{Z}'\mathbf{Z})^{1}\mathbf{Z}'\mathbf{X})^{1}\mathbf{X}'\mathbf{Z}(\mathbf{Z}'\mathbf{Z})^{1}\mathbf{Z}'\mathbf{y_1}δ^2SLS​=(X′Z(Z′Z)−1Z′X)−1X′Z(Z′Z)−1Z′y1​  【重要】性质：2SLS估计量是结构参数的一致估计量。在过度识别的情况下，它比任何单一工具变量法更有效（方差更小）。  5、2SLS的软件实现与结果解读  教师打开Stata软件，现场演示对三人经济模型（模拟数据）进行2SLS估计。  演示命令（以Stata为例）：L.Y一步（可选，仅用于演示）：regressIYL.Y（投资函数的简化式，非必须）L.CL.Y步（核心）：ivregress2slsC(Y=L.CL.YG)L.C  解释命令：ivregress2sls是因变量C，括号内是结构方程设定，Y是内生解释变量，等号后面L.C,L.Y,G是工具变量（即模型中所有前定变量），L.C是外生的前定解释变量。  展示输出结果，重点解读：  【非常重要】【高频考点】系数估计值：边际消费倾向α1\alpha_1α1​的值。  第一阶段回归摘要：看F统计量，若F值小于10，则可能存在弱工具变量问题（这是2SLS的一个重要诊断）。  过度识别检验（Sargan统计量）：原假设是所有工具变量均有效（即与扰动项不相关）。若p值大于0.05，则不能拒绝原假设，认为工具变量有效。  教师带领学生对比如果不使用2SLS，而直接对消费函数用OLS的结果，直观展示联立性偏误的大小。  （五）核心环节四：系统估计方法简介与模型检验（约12分钟）  1、三阶段最小二乘法（3SLS）简介  【基础】教师讲解：2SLS是单一方程估计法，忽略了不同方程扰动项之间可能存在的相关性。如果扰动项之间存在同期相关，那么采用系统估计方法（如3SLS）可以进一步提高估计效率。  3SLS的思路：第一阶段，同2SLS，获得每个内生变量的拟合值。第二阶段，用2SLS估计每个方程，得到残差的估计值，进而估计出整个系统扰动项的方差协方差矩阵。第三阶段，对整个系统采用广义最小二乘法（GLS）进行估计。  教师指出，3SLS在小样本下可能表现不稳定，且如果某个方程设定有误，会污染整个系统的估计（不具备“稳健性”）。因此，实际应用中需要谨慎。  2、联立方程模型的检验  【重要】教师总结联立方程模型估计后的主要检验内容：  （1）单个参数的显著性检验（t检验）——与OLS相同。  （2）工具变量的有效性检验：包括弱工具变量检验（第一阶段F统计量）和过度识别约束检验（Sargan检验或HansenJ检验）。  （3）联立性检验（Hausman检验）：检验某个解释变量是否真的具有内生性。其基本思想是比较OLS估计量与2SLS估计量是否存在显著差异。如果差异显著，则说明联立性存在，必须使用2SLS等工具变量法；如果差异不显著，则OLS也可能是一致的，且更有效。  （六）综合案例实操与课堂互动（约5分钟）  教师发布一个简化版的劳动力市场模型，要求学生分组讨论并快速判断每个方程的识别状态，并选择适当的估计方法。  模型：劳动力需求方程：Ld=α0+α1W+α2Y+u1L^d=\alpha_0+\alpha_1W+\alpha_2Y+u_1Ld=α0​+α1​W+α2​Y+u1​  劳动力供给方程：Ls=β0+β1W+β2P+u2L^s=\beta_0+\beta_1W+\beta_2P+u_2Ls=β0​+β1​W+β2​P+u2​  市场均衡：Ld=Ls=LL^d=L^s=LLd=Ls=L  其中，LLL为就业量（内生），WWW为工资率（内生），YYY为产出（外生），PPP为人口（外生）。  引导学生分析：内生变量：L,WL,WL,W（M=2）。前定变量：Y,PY,PY,P（K=2）。  需