計量經(jīng)濟模型聯(lián)立方程估計與模擬

計量經(jīng)濟模型聯(lián)立方程估計與模擬1第1頁，共88頁，2023年，2月20日，星期四12.1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)立方程模型對內生變量進行模擬、評價和預測。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的擾動項向量，T表示樣本容量。估計的任務是尋找未知參數(shù)向量

的估計量。2第2頁，共88頁，2023年，2月20日，星期四例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)濟發(fā)展的小型宏觀計量經(jīng)濟模型。模型規(guī)模雖小，但在宏觀計量經(jīng)濟模型的發(fā)展史上占有重要的地位。以后的美國宏觀計量經(jīng)濟模型大都是在此模型的基礎上擴充、改進和發(fā)展起來的。以至于薩繆爾森認為，“美國的許多模型，剝到當中，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。

3第3頁，共88頁，2023年，2月20日，星期四

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4第4頁，共88頁，2023年，2月20日，星期四消費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：方框內是行為方程內生變量，橢圓內是恒等方程內生變量，粗體是外生變量。5第5頁，共88頁，2023年，2月20日，星期四

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)濟的聯(lián)立方程模型。式（12.1.2）中的前3個行為方程構成聯(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。6第6頁，共88頁，2023年，2月20日，星期四在聯(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，將變量分為內生變量和外生變量兩大類，外生變量與滯后內生變量又被統(tǒng)稱為前定變量。7第7頁，共88頁，2023年，2月20日，星期四§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方程的系數(shù)進行約束并且使用能解決不同方程殘差相關的方法。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。8第8頁，共88頁，2023年，2月20日，星期四建立和說明聯(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，當然也包含了工具變量和參數(shù)初值。使用標準的EViews表達式用公式形式輸入方程，系統(tǒng)中的方程應該是帶有未知參數(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：9第9頁，共88頁，2023年，2月20日，星期四

這里使用了EViews缺省系數(shù)如c(10)、c(20)等等，當然可以使用其它系數(shù)向量，但應事先聲明，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：

10第10頁，共88頁，2023年，2月20日，星期四

規(guī)則1

方程組中，變量和系數(shù)可以是非線性的?？梢酝ㄟ^在不同方程組中使用相同的系數(shù)對系數(shù)進行約束。

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)中不應該含有這樣的方程。

規(guī)則4

方程中的等號可以出現(xiàn)在方程的任意位置。

規(guī)則5

應該確信系統(tǒng)中所有擾動項之間沒有衡等的聯(lián)系，即應該避免聯(lián)立方程系統(tǒng)中某些方程的線性組合可能構成與某個方程相同的形式。11第11頁，共88頁，2023年，2月20日，星期四聯(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：

12第12頁，共88頁，2023年，2月20日，星期四聯(lián)立方程系統(tǒng)殘差協(xié)方差矩陣的形式

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。13第13頁，共88頁，2023年，2月20日，星期四式(12.2.1)可以簡單地表示為(12.2.2)其中：設，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上進行討論的。1.在古典線性回歸的標準假設下，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：算子表示克羅內克積(kroneckerproduct)，簡稱叉積，2是系統(tǒng)殘差的方差。14第14頁，共88頁，2023年，2月20日，星期四

2.k個方程間的殘差存在異方差，但是不存在同期相關時，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。15第15頁，共88頁，2023年，2月20日，星期四3.k個方程間的殘差不但是異方差的，而且是同期相關的情形，可以通過定義一個k×k的同期相關矩陣

進行描述，

的第i行第j列的元素ij=E(uiuj)。如果殘差是同期不相關的，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的，則有(12.2.5)16第16頁，共88頁，2023年，2月20日，星期四4.在更一般的水平下，k個方程間的殘差存在異方差、同期相關的同時，每個方程的殘差還存在自相關。此時殘差分塊協(xié)方差矩陣應寫成(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矩陣。17第17頁，共88頁，2023年，2月20日，星期四12.2.1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)

18第18頁，共88頁，2023年，2月20日，星期四2.加權最小二乘法(WeightedLeastSquares,WLS)

這種方法通過使加權的殘差平方和最小來解決聯(lián)立方程的異方差性，方程的權重是被估計的方程的方差的倒數(shù)，來自未加權的系統(tǒng)參數(shù)的估計值。如果方程組沒有聯(lián)立約束，該方法與加權單方程最小二乘法產(chǎn)生相同的結果。加權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)19第19頁，共88頁，2023年，2月20日，星期四

該方法也稱作多元回歸法，既考慮到異方差性也考慮到不同方程的誤差項的相關性。當方程右邊的變量X全部是外生變量，殘差是異方差和同期相關的，誤差協(xié)方差陣形式為V=IT時，使用SUR方法是恰當?shù)摹＿M行廣義最小二乘（GLS）估計，此時的ZellnerSUR估計值為：

(12.2.17)

這里是元素為sij的

的一致估計。

3.似乎不相關回歸(SeeminglyUnrelatedRegression,SUR)20第20頁，共88頁，2023年，2月20日，星期四4.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。21第21頁，共88頁，2023年，2月20日，星期四5.二階段最小二乘法(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。聯(lián)立方程系統(tǒng)的結構式(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個元素設為0，i是先決變量系數(shù)矩陣

的第i行的行向量，。Y是內生變量矩陣，Z是前定變量矩陣。22第22頁，共88頁，2023年，2月20日，星期四第一階段用所有的前定變量Z對第i個方程右端出現(xiàn)的內生變量（記為Yi）做回歸，由于方程的右側不存在隨機解釋變量問題，可以直接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)的估計量即為原結構方程的參數(shù)的二階段最小二乘的一致估計量。23第23頁，共88頁，2023年，2月20日，星期四12.2.2系統(tǒng)估計方法

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

當方程右邊變量與誤差項相關并且存在異方差，同時殘差項相關時，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。24第24頁，共88頁，2023年，2月20日，星期四2.

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)。當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。對極大似然函數(shù)進行求解，就可以得到結構參數(shù)的FIML估計量。但是這個非線性方程系統(tǒng)求解非常復雜，需要采用牛頓迭代方法或阻尼迭代方法等。25第25頁，共88頁，2023年，2月20日，星期四3.廣義矩法(GeneralizedMethodofMoments,GMM)

GMM估計基于假設方程組中的擾動項和一組工具變量不相關。GMM估計是將準則函數(shù)定義為工具變量與擾動項的相關函數(shù)，使其最小化得到的參數(shù)為估計值。如果在準則函數(shù)中選取適當?shù)臋鄶?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。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：當方程右邊的變量都與殘差無關時，普通最小二乘估計就是廣義矩估計。

26第26頁，共88頁，2023年，2月20日，星期四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則函數(shù)來定義的：(12.2.34)27第27頁，共88頁，2023年，2月20日，星期四在EViews中，為了得到GMM估計必須先給出(12.2.32)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：(12.2.35)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，通過選擇恰當?shù)臏蕜t函數(shù)中的加權矩陣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。28第28頁，共88頁，2023年，2月20日，星期四

§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)xgovEViews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。29第29頁，共88頁，2023年，2月20日，星期四

§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)都應該至少和右邊變量一樣多。

30第30頁，共88頁，2023年，2月20日，星期四§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)和值的對應組合。例如：paramc(1).15b(3).5為c(1)和b(3)設定初值。如果不提供初值，EViews使用當前系數(shù)向量的值。

31第31頁，共88頁，2023年，2月20日，星期四§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加權矩陣和系數(shù)向量，這些選項決定了系數(shù)或加權矩陣的迭代方法。

32第32頁，共88頁，2023年，2月20日，星期四§12.2.7估計結果

系統(tǒng)估計輸出的結果包括系統(tǒng)參數(shù)估計值、標準差和每個系數(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，回歸標準差，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。33第33頁，共88頁，2023年，2月20日，星期四

例12.1(續(xù))

在格林的《經(jīng)濟計量分析》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期的企業(yè)利潤p、當期工資收入(wp+wg)的影響；I是投資方程，投資由前期和當期利潤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的非經(jīng)濟因素對就業(yè)的壓力。34第34頁，共88頁，2023年，2月20日，星期四35第35頁，共88頁，2023年，2月20日，星期四

但是這個模型用在美國1953年-1984年的數(shù)據(jù)上結果就不好，經(jīng)過改進后的模型見Klein-2模型。36第36頁，共88頁，2023年，2月20日，星期四

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估計結果為：37第37頁，共88頁，2023年，2月20日，星期四38第38頁，共88頁，2023年，2月20日，星期四39第39頁，共88頁，2023年，2月20日，星期四

例12.4克萊因聯(lián)立方程系統(tǒng)Ⅱ的GMM估計結果利用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估計結果為：

40第40頁，共88頁，2023年，2月20日，星期四41第41頁，共88頁，2023年，2月20日，星期四與例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)濟系統(tǒng)的行為。

42第42頁，共88頁，2023年，2月20日，星期四§12.2.8系統(tǒng)的應用

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

一、系統(tǒng)的查看（View）

1.顯示系統(tǒng)說明窗口(SystemSpecification02.顯示估計值和統(tǒng)計量(EstimationOutput)3.顯示殘差(Residuals)4.查看方差矩陣(CoefficientCovarianceMatrix)5.WaldCoefficientTests…6.列出系統(tǒng)中所有的內生變量(EndognousTable)7.列出系統(tǒng)中所有的內生變量的圖形(EndognousGragh)

43第43頁，共88頁，2023年，2月20日，星期四

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)沒有預測功能，如果要進行模擬或預測，必須使用模型對象。EViews提供一個簡單的方法將系統(tǒng)結果轉化為模型。

1.建立模型(MakeModel)

2.估計系統(tǒng)(Estimate)

3.建立方程殘差序列

(MakeResiduals)4.建立內生變量的組對象(MakeEndogenousGroup)

44第44頁，共88頁，2023年，2月20日，星期四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用就是進行政策模擬和預測。利用經(jīng)濟計量模型能夠生成一個或若干個經(jīng)濟變量的預測值，這些預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)的預測，這取決于進行模擬的目的。前者是用來對所建立的模型進行檢驗和評估，或者進行政策的歷史分析等，而后者則用來進行預測，或者進行靈敏度分析和政策分析等。§12.3聯(lián)立方程模型的模擬

45第45頁，共88頁，2023年，2月20日，星期四一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系的。模型變量可以分為兩種：由模型內部決定的變量我們稱為內生變量，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)學符號寫為：（12.3.1）其中y是內生變量向量，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)與內生變量個數(shù)應相同。對任何方程來說都不是內生變量的變量被視作外生變量。46第46頁，共88頁，2023年，2月20日，星期四例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。該模型有更強的動態(tài)結構，其中許多變量是以滯后的形式出現(xiàn)的。47第47頁，共88頁，2023年，2月20日，星期四§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。48第48頁，共88頁，2023年，2月20日，星期四二、向模型添加方程

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

1.添加鏈接方程：49第49頁，共88頁，2023年，2月20日，星期四

2.用文本形式添加方程：50第50頁，共88頁，2023年，2月20日，星期四

三、從模型中刪除方程

四、更新模型的鏈接

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換為內置文本形式。

51第51頁，共88頁，2023年，2月20日，星期四§12.3.3模型結構視窗

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還提供了模型結構的兩個視窗：塊結構查看視窗和文本視窗。52第52頁，共88頁，2023年，2月20日，星期四

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。

53第53頁，共88頁，2023年，2月20日，星期四

二、變量查看視窗(VariableView)

54第54頁，共88頁，2023年，2月20日，星期四三、塊結構查看視窗(BlockStructureView)

模型的塊結構查看窗口可以分析并顯示依賴關系中的塊結構。塊結構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+Y55第55頁，共88頁，2023年，2月20日，星期四

四、文本查看視窗(TextView)

模型的文本查看窗口可以在一個文本窗口內看到模型的整體結構，還提供了輸入小模型的快速方法，也可以用復制、粘貼編輯大模型。

56第56頁，共88頁，2023年，2月20日，星期四§12.3.4模型求解開始求解模型，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。

57第57頁，共88頁，2023年，2月20日，星期四

一、基本選項(BasicOptions)

在左上部，Simulationtype框可以設置模型是確定性模擬還是隨機性模擬。

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

1.動態(tài)求解(DynamicSolution)

2.靜態(tài)求解(StaticSolution)

3.擬合(Fit)除了這些選項以外，Structural復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，它不會自動設為剔除缺失的數(shù)據(jù)。58第58頁，共88頁，2023年，2月20日，星期四

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使用的是同樣的沖擊。兩模型同時隨機求解時，一組序列將被創(chuàng)建以保存兩情景分析之間的差值（這是必要的，因為在非線性模型中均值的差不一定等于差的均值）。

59第59頁，共88頁，2023年，2月20日，星期四模型模擬的分類

設觀測值樣本個數(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．擬合

模擬的第一種形式是樣本內預測(in-sampleforecast)，也稱為擬合(fitting)。內生變量在估計樣本區(qū)間[1,T]內的預測值稱為擬合值。把每一個內生變量的原始時間序列數(shù)據(jù)與模擬結果進行比較，就是一種很有用的檢驗模擬效果的方法。求解后的顯示信息:60第60頁，共88頁，2023年，2月20日，星期四

例12.5克萊因聯(lián)立方程模型Ⅱ的擬合結果例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)間內克萊因聯(lián)立方程模型Ⅱ的模擬結果為：

61第61頁，共88頁，2023年，2月20日，星期四62第62頁，共88頁，2023年，2月20日，星期四2．預測預測（forecasting）是對估計的樣本區(qū)間以外的內生變量進行外推。要進行預測，必須擁有整個預測期內所有外生變量的時間序列數(shù)據(jù)。預測可以分為兩類：

(1)事后預測如果估計區(qū)間是[1,T1]，預測區(qū)間是[T1+1,T]，然后把得到的預測結果與[T1+1,T]區(qū)間內的內生變量的已知數(shù)據(jù)進行比較，這種預測稱為事后預測（expost），通常用來檢驗模型預測的準確性。(2)事前預測另一種預測是預測的起始時刻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是預測期長度，這被稱作事前預測（exante）。63第63頁，共88頁，2023年，2月20日，星期四事前預測樣本內預測(擬合)事后預測

1T1Tt圖12.2樣本內、事前和事后預測

64第64頁，共88頁，2023年，2月20日，星期四例12.6克萊因聯(lián)立方程模型Ⅱ的事后預測結果

本例對克萊因聯(lián)立方程模型Ⅱ進行事后預測，預測區(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測區(qū)間[T1+1,T]，即1983～1984年求解。預測結果為：

65第65頁，共88頁，2023年，2月20日，星期四66第66頁，共88頁，2023年，2月20日，星期四模型求解的其他選項二、隨機選項(StochasticOptions)三、追蹤變量(TrackedVariable)四、診斷(Diagnostics)

五、求解方法選擇求解模型所用的算法，有下列選項：

(1)Gauss-Seidel（高斯—采德爾方法）(2)Newton（牛頓法）67第67頁，共88頁，2023年，2月20日，星期四§12.3.5確定情景分析

1.情景分析的思想和功能

對模型進行預測和模擬時，通常需要在有關外生變量路徑的不同假設下，或從模型中剔除一個或多個方程時對模型的預測進行比較。模型情景分析可以在不覆蓋以前的數(shù)據(jù)和不改變模型結構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的數(shù)據(jù)。為區(qū)分與不同情景分析相關的數(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。68第68頁，共88頁，2023年，2月20日，星期四

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進行分析。被更改的外生變量將在帶有標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。

69第69頁，共88頁，2023年，2月20日，星期四2.

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可以查看與當前模型相關的所有情景分析。

每個模型都有兩個特殊的情景分析：實際(actuals)和基準(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生變量值寫回與該變量同名的序列，而基準情景分析修改變量名。當實際情景分析為當前情景分析求解模型時，要慎重以避免覆蓋歷史數(shù)據(jù)。70第70頁，共88頁，2023年，2月20日，星期四

(1)SelectScenario窗口

可以創(chuàng)建、復制、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前激活的，或者重命名和刪除情景。71第71頁，共88頁，2023年，2月20日，星期四

(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的別名，該對話框顯示了應用于不同類型變量的所有別名。

72第72頁，共88頁，2023年，2月20日，星期四

在進行政策模擬時，除已有的外生變量外，可按模擬需要將某些內生變量變?yōu)橥馍恼咦兞浚撟兞肯嚓P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。如財政支出，在進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；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。73第73頁，共88頁，2023年，2月20日，星期四

盡管從情景分析對話框可以看到某情景分析的所有設置，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，然后用鼠標右鍵激活該變量的屬性對話框。使用Useoverride復選框可以調整變量的更改狀態(tài)。一旦某變量被更改，它在變量查看窗口中將以紅色顯示。74第74頁，共88頁，2023年，2月20日，星期四我們對Model_2_GMM模型分3種情景進行政策模擬。情景1：從1983年開始，政府非工資性支出G每年增加相同的數(shù)量(10億美元)，研究其他內生變量的響應(一個2期的持續(xù)沖擊的財政政策的模擬)。表1給出了持續(xù)沖擊給其他內生變量與其基準序列相比所帶來的變化的百分比。75第75頁，共88頁，2023年，2月20日，星期四

可以采用直接建立情景分析序列*_1，也可以選中情景分析變量后，單擊右鍵，選擇“OpenSelectedSeries”建立組，修改情景分析序列G_1,在Scenario1中，1983年和1984年，政府支出G每年增加相同的數(shù)量(10億美元)：對話框右端的上半部選擇情景分析1(Scenario1)，下半部選擇基準分析(Baseline)。76第76頁，共88頁，2023年，2月20日，星期四點擊OK，兩個情景分析同時求解。如果求解成功，則出現(xiàn)如下信息：77第77頁，共88頁，2023年，2月20日，星期四

為了觀察政府支出增加對其他宏觀經(jīng)濟變量的影響。在模型工具菜單Procs中選擇MakeGroup/Table，則出現(xiàn)如下對話框。

可以選擇顯示實際序列、來自當前情景分析的序列，或備選情景分析的序列(標識為“Compare”)?？梢燥@示當前情景分析與備選情景分析的差值(標識為“Deviations:ActivefromCompare”)，或顯示當前情景分析與備選情景分析偏離的百分比(標識為“%Deviations:ActivefromCompare”)。點擊OK后，出現(xiàn)表格78第78頁，共88頁，2023年，2月20日，星期四

從中可以看出政府支出在1983年和1984年各增長10億美元，使得國民生產(chǎn)總值Y、消費、投資等在滯后不同時期后都有不同程度的增長。79第79頁，共88頁，2023年，2月20日，星期四表1情景1的模擬結果表中的數(shù)據(jù)均為增長率(%)時間CSIKPWPY19830.060.220.0110.600.110.16198240.550.140.19

從表中我們可以看到：由于政府支出G的增加，使得對收入Y和投資、消費、資本存量、利潤、私人工資等都有正的影響。情景1：80第80頁，共88頁，2023年，2月20日，星期四

情景2：我們考慮私人工資WP和政府工資WG的變化對其他變量的影響。在1983年和1984年兩種工資同時增加10億美元，對其他變量的影響。其中，私人工資是內生變量，我們需要將