高铁梅老师的EVIEWS教学课件系统估计.pptx

Click to edit Master title style,Click to edit Master text styles,Second level,Third level,Fourth level,Fifth level,*,*,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,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,第十九章 系统预计,本章讲述内容是预计联立方程组参数方法。包含最小二乘法,LS,、加权最小二乘法,WLS,、似乎不相关回归法,SUR,、二阶段最小二乘法,TSLS,、加权二阶段最小二乘法,W2LS,、三阶段最小二乘法,3LS,、完全信息极大似然法,FIML,和广义矩法,GMM,等预计方法。,在预计了联立方程组参数后就能够利用不一样解释变量值对被解释变量进行模拟和预测，将在第二十三章作详细介绍。,第1页,19.1 理论背景,19.1.1,系 统,迄今为止我们讨论都是单一方程经济计量模型。单方程计量经济模型是用单一方程描述某一经济变量与影响该变量改变诸原因之间数量关系。所以，它适合用于单一经济现象研究，揭示其中单向因果关系。不过，经济现象是极为复杂，其中诸原因之间关系，在很多情况下，不是单一方程所能描述那样简单单向因果关系，而是相互依存、互为因果，这时，就必须用一组方程才能描述清楚。我们称这些经济现象为经济系统。,经济系统并没有严格空间概念。国民经济是一个系统，一个地域经济也是一个系统，甚至某一项经济活动也是一个系统。比如我们进行商品购置决议，因为存在收入或预算制约，在决定是否购置某一个商品时，必须考虑到对其它商品需求与其它商品价格，这么，不一样商品需求量之间是相互影响、互为因果。那么，商品购置决议就是一个经济系统。,联立方程系统就是一组包含未知数方程组。利用一些多元方法能够对系统进行预计，这些方法考虑到了方程之间相互依存关系。,第2页,以一个由国内生产总值(除掉净出口)（,Y,）、居民消费总额（,C,）、投资总额（,I,）、,政府消费额,（,G,）,和短期利率,（,r,）,等,变量组成简单宏观经济系统为例，假如政府消费额,和,短期利率由外部给定，并对系统内部其它变量产生影响，就国内生产总值、居民消费和投资来讲，是相互影响并互为因果。居民消费和投资取决于国内生产总值，但反过来又影响国内生产总值。所以就无法用一个方程描述它们之间关系，就需要建立一个由多个方程组成方程系统。比如，能够建立以下模型：,（19.1）,其中，,前两个方程是行为方程，第三个方程表示国内生产总值在假定进出口平衡情况下，由居民消费、投资和政府消费共同决定，是一个衡等方程，也称为定义方程。,这就是一个简单描述宏观经济联立方程模型。,第3页,19.1.2,变 量,在联立方程模型中，对于其中每个方程，其变量依然有被解释变量与解释变量之分。不过对于模型系统而言，已经不能用被解释变量与解释变量来划分变量。对于同一个变量，在这个方程中作为被解释变量，在另一个方程中则可能作为解释变量。对于联立方程系统而言，将变量分为,内生变量,和,外生变量,两大类，外生变量与滞后内生变量又被统称为,前定变量,。,内生变量是含有某种概率分布随机变量，它参数是联立方程系统预计元素，内生变量是由模型系统决定，同时也对模型系统产生影响。内生变量普通都是经济变量。外生变量普通是确定性变量。外生变量影响系统，但本身不受系统影响。外生变量普通是经济变量、条件变量、政策变量、虚拟变量。滞后内生变量是联立方程模型中主要不可缺乏一部分变量，用以反应经济系统动态性与连续性。在联立方程模型,（19.1）,中，,C,I,Y,为内生变量，外生变量,G,，,r,和滞后内生变量,C,t,-1，,I,t,-1,一起组成前定变量。,第4页,19.1.3,结构式模型,依据经济理论和行为规律建立描述经济变量之间直接关系结构计量经济方程系统称为结构式模型。联立方程模型,（19.1）,就是一个结构式模型。在结构方程中，解释变量中能够出现内生变量。将一个内生变量表示为其它内生变量、前定变量和随机误差项函数形式，被称为结构方程正规形式。含有,g个内生变量、k个前定变量、g个结构方程模型被称为完备结构式模型。在完备结构式模型中，独立结构方程数目等于内生变量数目，每个内生变量都分别由一个方程来描述。,普通,联立方程系统,形式是：,(19.2),这里 是一个内生变量向量，是外生变量向量，能够是序列相关扰动项向量。预计任务是寻找参数向量 预计量。,第5页,19.1.4,参数预计方法,EViews,提供了预计系统参数两类方法。一类方法是使用前面讲过单方程法对系统中每个方程分别进行预计。第二类方法是同时预计系统方程中全部参数，这种同时方法允许对相关方程系数进行约束而且使用能处理不一样方程残差相关方法。,即使利用系统方法预计参数含有很多优点，不过这种方法也要付出对应代价。最主要是在系统中假如错误指定了系统中某个方程，使用单方程预计方法预计参数时，假如某个被预计方程参数预计值很差，只影响这个方程；但假如使用系统预计方法，这个错误指定方程中较差参数预计就会“传输”给系统中其它方程。,这里，应该区分方程组系统和模型差异。模型是一组描述内生变量关系已知方程组，给定了模型中外生变量信息就能够使用模型对内生变量求值。,系统和模型经常十分紧密地一起使用，预计了方程组系统中参数后能够创建一个模型，然后对系统中内生变量进行模拟和预测（见第,23,章）。,第6页,19.2,系统预计方法,EViews,将利用下述方法预计方程组系统参数。系统中方程能够是线性也能够是非线性，还能够包含自回归误差项。,下面讨论是以线性方程所组成平衡系统为对象，不过这些分析也适合于包含非线性方程系统。若一个系统，含有,M,个方程，用分块矩阵形式表示以下：,(19.3),这里,y,i,是,T,维向量，,X,i,是,T,k,i,矩阵，,i,是,k,i,维系数向量，,i,=1,2,.,M,误差项 协方差矩阵,是,MT,MT,方阵,V,。我们简单将其表示为：,(19.4),第7页,在标准假设下，分块系统残差协方差阵为：,(19.5),式中算子 表示克罗内克积,(Kronecker Product),，简称叉积,注,，有模型残差方差结构不满足标准假设。首先，不一样方程残差可能是异方差，不过他们不一样期相关，,(19.6),注 设 ,，定义,A,与,B,克罗内克积(简称叉积)为,显然，是 阶矩阵，是分块矩阵，其第 块是 。,第8页,其次，不一样方程除了异方差还可能是同期相关。我们定义,M,M,同期相关矩阵 ，它第,i,行第,j,列元素 ，假如残差是同期不相关，若,i,j,，则 ，假如残差是异方差且同期相关，则,V,能够写成：,(19.7),最终，更普通情况是存在异方差、同期相关同时，残差是自相关。最普通残差方差矩阵应写成：,(19.8),这里，是第,i,个方程和第,j,个方程自相关矩阵。,第9页,19.2.1,普通最小二乘法,（Ordinary Least Squares,OLS）,这种方法是在联立方程中服从关于系统参数约束条件情况下，使每个方程残差平方和最小。假如没有这么参数约束，这种方法和使用单方程普通最小二乘法预计每个方程式是一样。,在协方差阵被假定为 时，最小二乘法是非常有效。,预计值为：,(19.9),预计值协方差阵为：,(19.10),其中，,s,2,系统残差方差预计值。,第10页,19.2.2,加权最小二乘法,(Weighted Least Squares,WLS,),这种方法经过使加权残差平方和最小来处理联立方程异方差性，方程权重是被预计方程方差倒数，来自未加权系统参数预计值。假如方程组没有联立约束（参数、异方差），该方法与未加权单方程最小二乘法产生相同结果,。,加权最小二乘法预计值为：,(19.11),其中 是 一致预计,是残差方差预计值，,(19.12),系数协方差阵预计量为：,(19.13),当残差不存在同期相关和序列相关而只存在异方差时，加权最小二乘法是有效，而且方差预计是一致。假如方程参数之间没有限制，加权最小二乘法和普通最小二乘法预计结果是一样。,第11页,该方法也称作多元回归法，既考虑到异方差性也考虑到不一样方程误差项相关性。对联立方程协方差阵预计是建立在对未加权系统参数预计基础上。注意到因为,EViews,考虑了联立方程间约束，所以能够预计更为广泛形式。,当方程右边变量,X,全部是外生变量,，残差是异方差和同期相关，误差协方差阵形式为 时，使用,SUR,方法是恰当。系数,SUR,预计值：,(19.16),这里 是元素为 一致预计。,19.2.3,似乎不相关回归,(Seemingly Unrelated Regression,SUR),第12页,假如第,j,个方程含有,AR,项，,EViews,预计下面方程：,这里，是独立，但方程之间存在同期相关，我们能够把两个方程联合成一个非线性方程：,(19.17),每次迭代时，,EViews,第一步迭代用非线性最小二乘法并计算出 ，然后结构出 预计，元素为：,利用非线性广义最小二乘法（,GLS,）完成预计过程每次迭代，直到预计系数和加权矩阵全都收敛时就结束迭代过程。,第13页,19.2.4,二阶段最小二乘法,(Two-Stage Least Squares,TSLS),系统二阶段最小二乘法方法（,STSLS,）是前面描述单方程二阶段最小二乘预计系统形式。当方程右边变量与误差项相关，但既不存在异方差，误差项之间又不相关时，,STSLS,是一个比较适当方法。,EViews,在实施联立方程约束同时，对未加权系统每个方程进行二阶段最小二乘预计，假如没有联立方程约束，得到结果与未加权单方程最小二乘（,TSLS,）结果相同。,二阶段最小二乘法（,TSLS,）是单方程预计法，它适合于当方程右端变量,X,中含有内生变量情况。系统第,j,个方程能够写为：,(19.18),或等价写为：,(19.19),式中 ，和 。,Y,是内生变量矩阵，,X,是外生变量矩阵。,第14页,在第一阶段，我们用全部外生变量,X,来对方程右端内生变量,Y,j,做回归并得到拟合值,(19.20),在第二阶段，用 和 对 做回归得到,(19.21),其中，。,19.2.5,加权二阶段最小二乘法,(WTSLS),该方法是加权最小二乘法二阶段方法。当方程右边变量与误差项相关而且存在异方差但误差项之间不相关时，,W2LS,是一个比较适当方法。,EViews,首先对未加权系统进行二阶段最小二乘，依据预计出来方程方差求出方程权重，假如没有联立方程约束，得到一阶段结果与未加权单方程最小二乘结果相同。,第15页,加权二阶段最小二乘法（,TSLS,）是在第二阶段以下应用了权重：,(19.22),加权矩阵元素用通常方法从未加权二阶段最小二乘法得到：,假如选择用迭代法预计加权矩阵，每次用当前系数和残差值计算出 。,19.2.6,三阶段最小二乘法,(Three-Stage Least Squares,3SLS),当方程右边变量与误差项相关而且存在异方差，同时残差项相关时，,3LSL,是有效方法。因为二阶段最小二乘法是单方程预计方法，没有考虑到残差之间协方差，所以，普通说来，它不是很有效。三阶段最小二乘法是一个系统预计方法，先初步预计出模型系数，然后形成权重，并用权重重新预计出系数。它比较类似于上面讲似乎不相关,（SUR）,，只是右端含有内生变量。,第16页,三阶段前两个阶段同二阶段最小二乘一样。在第三阶段，我们用一个类似于似乎不相关手法把可行广义最小二乘法（,FGLS,）应用到模型上。似乎不相关用普通最小二乘法得到方程间协方差预计 ，不过这个预计值在方程右端含有内生变量时候不是一致预计值，而三阶段最小二乘法从二阶段得到残差来取得 一致预计：,(19.23),其中 元素为：,(19.24),假如选择迭代法求权数，则用当前系数和残差计算下一步 。,第17页,19.2.7,完全信息极大似然法,(Full Information Maximum Likelihood,FIML),在同期误差项假定为联合正态分布情况下，,FIML,预计出似然函数，假如似然函数能准确描述，该方法非常有效。,FIML,是一个系统预计方法，同时处理全部方程和全部参数。,19.2.8,广义矩法,(Generalized Method of Moments,GMM),GMM,预计基于假设方程组中扰动项和一组工具变量不相关。,GMM,预计是将准则函数定义为工具变量与扰动项相关函数，使其最小化得到参数为预计值。假如在准则函数中选取适当权数矩阵，广义矩法可用于处理方程间存在异方差和未知分布残差相关。,其实，很多预计方法包含,EViews,提供全部系统预计方法都是广义矩法,（GMM）,特殊情况。比如：当方程右边变量都与残差无关时，普通最小二乘预计就是广义矩预计。,第18页,广义矩预计法基本思想是很简单而且直观。待预计参数需要满足一系列理论矩条件，我们记这些矩条件为：,(19.25),矩预计方法就是用样本矩条件来替换理论矩条件,(19.25),：,(19.26),然而，对任何 ，当有比参数 个数更多约束,m,时，条件,(19.26),式将不能满足。为了允许过分识别，广义矩预计方法（,GMM,）预计量经过最小化下面准则函数来定义：,(19.27),第19页,上式简单了解就是矩条件,m,和零点“距离”，,A,是赋予每个矩条件权数加权矩阵，任何对称正定矩阵,A,都将产生一个 一致预计。然而，能够证实要得到 渐进有效预计值一个必要但不充分条件是将,A,设为样本矩条件,m,协方差矩阵逆矩阵。这是很直观，因为对越不准确矩条件赋予越小权重。,在,EViews,中，为了得到,GMM,预计必须先给出,(19.25),式矩条件，如回归方程残差 和一组工具变量,Z,正交条件：,(19.28),比如，普通最小二乘预计,OLS,做为广义矩预计,GMM,特例含有正交条件：,(19.29),对于广义矩预计,GMM,能被识别，必须最少工具变量个数和待预计参数 个数一样多，参见第十二章中“广义矩预计方法,GMM,”一节中,GMM,正交条件例子。,第20页,说明一个广义矩预计,GMM,问题一个主要方面是加权矩阵,A,选择，,EViews,使用最正确选择是：,这里 是样本矩协方差矩阵，依赖于未知参数 ，为了取得 一致预计必须先知道 一致预计，,EViews,使用二阶段最小二乘法得出 初始值,(1),White,异方差一致协方差矩阵,在操作时假如选择了,GMM-Cross section,选项，,EViews,使用,White,异方差性一致协方差矩阵预计 ：,(19.30),这里，,u,是残差向量，,Z,t,是,k,p,维矩阵，在,t,时刻,p,个矩条件可写为：,第21页,（2）,异方差和自相关一致协方差矩阵,（HAC）,假如选择,GMM-Time series,选项，,EViews,用以下公式预计 ：,(19.31),这里,(19.32),在说明 之前，必须要指定核函数 和带宽,q,。,第22页,19.3,建立和说明系统,为了预计联立方程系统参数，首先应建立一个系统对象并说明方程系统。单击,Object/New Object/system,或者在命令窗口输入,system,，系统对象窗口就会出现，假如是第一次建立系统，窗口是空白，在指定窗口用文本方式输入方程，当然也包含了工具变量和参数初值。,19.3.1,方程组,使用标准,EViews,表示式用公式形式输入方程，系统中方程应该是带有未知参数和隐含误差项,行为方程,。比如，含有两个方程系统是这么：,第23页,这里使用了,EViews,缺省系数如,c(1),、,c(2),等等，当然能够使用其它系数向量，但应事先申明，方法是单击主菜单上,Object/New Object/Martrix-Vector-Coef/Coeffient Vector,。,在说明方程时有一些规则：,第24页,规则1,方程组中，变量和系数可以是非线性。可以经过在不一样方程组中使用相同系数对系数进行约束。例如：,y=c(1)+c(2)*x,z=c(3)+c(2)*z+(1-c(2)*x,当然也可以说明附加约束，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，则可以这么描述方程：,y=c(1)*x1+c(2)*x2+(1-c(1)-c(2)*x3,规则2,系统方程可以包含自回归误差项（注意不能有MA、SAR或SMA误差项），每一个AR项必须伴随系数说明（用方括号，等号，系数，逗号），例如：,cs=c(1)+c(2)*gdp+ar(1)=c(3),ar(2)=c(4)。,我们可认为每个方程赋予相同AR系数值，使得系统中全部方程得到相同自回归项，或者分别为每个方程赋予其自己系数来估计每一个不一样自回归过程。,第25页,规则3,方程中等号能够出现在方程任意位置，比如：,log(unemp/(1-unemp)=c(1)+c(2)*dmr,等号也能够不出现，只输入没有因变量表示式，比如：,(c(1)*x+c(2)*y+4)2,此时，,EViews,自动地把表示式等于隐含误差项。,规则4,假如方程没有扰动项，则该方程就是恒等式，系统中不应该含有这么方程，假如必须有话，应该先解出恒等式将其代入行为方程。,规则5,应该确信系统中全部扰动项之间没有衡等联络，即应该防止联立方程系统中一些方程线性组合可能组成与某个方程相同形式。比如，方程组中每个方程只描述总体一部分，方程组和就是一个恒等式，全部扰动项和将恒等于零。这种情况下则应放弃其中一个方程以防止这种问题发生。,第26页,19.3.2,工具变量,假如用二阶段最小二乘法（,TSLS,）、三阶段最小二乘法方法（,3SLS,）或者广义矩法（,GMM,）来预计参数，必须对工具变量做出说明。说明工具变量有两种方法：若要在全部方程中使用一样工具变量，说明方法是以,inst,开头，后面输入全部被用作工具变量外生变量列表。比如：,inst gdp(-1 to-4)x gov,EViews,在系统全部方程中使用这六个变量作为工具变量。假如系统预计不需要使用工具，则这行将被忽略。,若要对每个方程指定不一样工具变量，应该在每个方程后面附加“,”及这个方程需要工具变量。比如：,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,第一个方程使用,cs(-1),、,inv(-1),、,gov,和一个常量作为工具变量，第二个方程使用,gdp(-1),、,gov,和一个常量作为工具变量。最终还能够将两个方法融合到一起，任何一个没有独自指定工具变量方程将使用,inst,指定工具变量。,第27页,19.3.3,附加说明,(1),在每个方程中常数项一直都包含在工具变量表中，不论它是否被明确说明过，这是隐含给定。,(2),对于一个已给定方程，全部右边外生变量都应列为工具变量。,(3),模型识别要求每个方程中工具变量,(,包含常数项,),个数都应该最少和右边变量一样多。,附录 模型识别定义,：,在一个含有,g,个方程联立方程组中，一个方程可识别，须满足：,其中，,k,是模型中前定变量个数，,k,i,是给定方程中前定变量个数，,g,i,是给定方程中内生变量个数。假如 ，则方程是恰好识别，但假如 ，则它是过分识别。,第28页,19.3.4 初始值,如果系统中包含非线性方程，可认为部分或全部参数用以param开头语句提供初始值，列出参数和值对应组合。例如：,param c(1).15 b(3).5,为c(1)和b(3)设定初值。如果不提供初值，EViews使用当前系数向量值。,19.3.5 系统估计,创建和说明了系统后，单击工具条 Estimate 键，出现系统估计对话框，在弹出对话框中选择估计方法和各个选项：,第29页,第30页,19.3.6,迭代控制,对于,WLS,、,SUR,、,WTSLS,，,3SLS,，,GMM,预计法和非线性方程系统，有附加预计问题，包含预计,GLS,加权矩阵和系数向量，普通来说，选择,EViews,缺省项，不过若要更加好地控制计算工作则需要花费时间来进行选择。这些选项决定了系数或加权矩阵迭代方法。,1迭代权数和系数选择,（,Iterate Weights and Coefs,）,（,1,）同时选项（,Simultaneous）,，每次迭代都更新系数和加权矩阵，直到系数和加权矩阵都收敛，这是缺省选择。,（,2,）次序选项（,Sequential）,，重复执行上述（,1,）缺省方法，直到系数和加权矩阵都收敛。,2一次确定加权矩阵,（,Update weights once,then,）,（,3,）迭代直到收敛选项（,Iterate coefs to convergence）,，,EViews,使用无权矩阵（单位矩阵）进行一阶段预计。用,OLS,（或,2LS,，有工具变量情况下）预计得到初始值，然后进行迭代直到系数收敛。假如模型是线性，这个过程其实是一个,OLS,或,2LS,。一阶段迭代得到残差用来形成一个加权矩阵，并保持不变。在过程第二阶段，,EViews,使用预计加权矩阵预计新系数。假如模型是非线性，,EViews,迭代系数预计直到收敛。,第31页,（,4,）系数一次迭代选项（,Update coefs once）,，在第一阶段做系数预计并组成加权矩阵预计量。在第二阶段，,EViews,不迭代系数到收敛，只进行系数一步迭代为止。,注意到上述四种预计方法都产生渐进预计结果。对于线性模型，因为系数预计值取得不需要迭代，前两种迭代方法是等价，而后两种方法是等价。,3,GMM-Cross Section中,2SLS Estimates/GMM S.E,选项,这是一个并不十分有效方法，但若存在异方差或异方差和残差相关同时存在时能预计有效协方差和标准误差。在假定等权矩阵情况下预计第一步参数。然后用预计值来计算有效协方差矩阵，该矩阵考虑了异方差或同时存在异方差和自相关。,第32页,4、GMM-Time series,（,HAC,）,选项,假如选择这一方法对话框将会增加选项来说明加权矩阵：,第33页,新选项出现在对话框右下角。这些选项是为了控制能说明异方差和自相关加权矩阵计算。,1.预消除相关性（Prewhitening）,选项，在预计之前运行一个初步,VAR(1),从而“吸收”,矩条件中相关性。,2.核函数（,Kernel Option）,选项，计算加权矩阵时自协方差权重由,Kernel,函数决定。,3.带宽（,Bandwidth selection）,选项，自协方差权重给定后，权重怎样伴随自协方差滞后而改变由该选项决定。假如选择,Fixed,项，能够输入带宽值或输入,nw,从而使用,Newey,和,West,固定带宽选择准则。,EViews,提供了两种自动带宽选择方法：,Andrews（安德鲁,方法）和,Variable-Newey-West,方法。,第34页,5.Option,选项,系统预计对话框中,Option,选项允许选择一个预计算法，改变收敛规则或迭代最大次数。,19.3.7,预计结果,系统预计输出结果包含系统参数预计值、标准差和每个系数,t,-,统计值。而且，,EViews,提供残差协方差矩阵行列式值，对于,FIML,预计法，还提供它极大似然值。除此之外，,EViews,提供每个方程简明统计量，如,R,2,统计值，回归标准差，,Durbin-Wstson,统计值，残差平方和等等。对每个方程都是按定义基于系统预计过程中残差计算而来。我们也能够使用回归统计函数来取得这些结果，关于这些函数使用请参见第,11,章。,第35页,第36页,19.4,系统应用,得到预计结果后，系统对象提供了检验结果工具，依次进行参考和详细讨论。,19.4.1,系统查看,（View）,以下查看与单方程查看十分相同。,1、单击View/System Specification,显示系统说明窗口，也能够经过直接单击菜单中,Spec,来显示。,2、单击Views/Estimation Output,显示系统系数预计值和简明统计量，也能够经过直接单击菜单中,Stats,来显示。,3、单击Views/Residuals,（1）,选择,Views/Residuals/Graph,，显示系统中每个方程残差图形。,第37页,（2）,选择,Views/Residuals/Correlation Matrix,计算每个方程残差同时相关系数。,（3）,选择,Views/Residuals/Covariance Matrix,计算每个方程残差同时协方差。,4、单击 View/Coefficient Covariance Matrix,查看预计得到协方差矩阵。,5、单击View/Wald Coefficient Tests,做系数假设检验，详细讨论见第,14,章。,6、单击Views/Endognous Table,列出系统中全部内生变量。,7、单击Views/Endognous Gragh,列出系统中全部内生变量图形。,第38页,19.4.2,系统过程,（Procs）,系统与单方程显著区分是系统没有预测功效，假如要进行模拟或预测，必须使用模型对象。,EViews,提供一个简单方法将系统结果转化为模型。,1、单击Procs/Make Model,EViews,将打开由已预计系统转化模型（参数已知），然后能够用这个模型进行模拟和预测。还有一个方法是先建立模型，然后将系统纳入进来，这在第,23,章详细讨论。,2、单击Procs/Estimate,打开预计系统对话框，也能够经过直接单击,Estimate,进行预计。,3、单击Procs/Make Residuals,显示系统中每个方程残差项序列。为了在系统中更明确地指定方程组对应残差，残差项直接命名为连续未使用过诸如：,RESID01,、,RESID02,等等。,4、单击Procs/Make Endogenous Group,建立包含内生变量未命名组对象。,第39页,19.4.3,应用实,例,例1,介绍 克莱因（,Lawrence Robert Klein,）于1950年建立、意在分析美国在两次世界大战之间经济发展小型宏观计量经济模型。模型规模虽小，但在宏观计量经济模型发展史上占有主要地位。以后美国宏观计量经济模型大都是在此模型基础上扩充、改进和发展起来。以至于萨缪尔森认为，“美国许多模型，剥到当中，发觉都有一个小Klein模型”。所以，对该模型 了解与分析对于了解西方宏观计量经济模型是主要。,Klein,模型是以美国两次世界大战之间1920-1940年年度数据为样本建立。,第40页,Klein模型：,（消费）,（投资）,（私人工资）,（均衡需求）,（企业利润）,（资本存量）,此模型包含3个行为方程，1个定义方程，2个会计方程。式中变量：,6个内生变量：4个外生变量：,Y,：收入（GDP中除去净出口）；,G,：政府非工资支出；,C,：消费；,W,g,：政府工资；,I,：私人国内总投资；,T,：间接税收；,W,p,：私人工资；,Time,：时间趋势；,P,：企业利润；,K,：资本存量,第41页,在格林经济计量分析中给出了克莱因模型19,1940,年数据和更新版本1953年,1984年数据，模型说明文本：,inst Y(-1)cs(-1)i(-1)k(-1)wp(-1)p(-1)wg g t,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个行为方程，其余3个定义方程要放到model中。cs是消费方程，总消费主要受前期和当期企业利润p、当期工资收入(wp+wg)影响；I是投资方程，投资由前期和当期利润p、前期资本k来解释；wp是就业方程，用私人工资额代表就业，将它与前期和当期产出Y联络起来，由生产规模决定就业，时间趋势项考虑了日益增强非经济原因对就业压力。,第42页,第43页,不过这个模型用在美国1953年-1984年数据上结果就不好，经过改进后模型见Klein-2模型。,第44页,例2,介绍一个中国年度宏观经济模型。宏观经济模型必须以一定宏观经济理论为基础。因为我国宏观经济正处于一个向市场经济过渡阶段，市场机制尚不完善，不一样于西方发达国家。不过，近年来我国宏观管理实践证实，我国政府在宏观调控中饰演着主要角色，财政政策、货币政策在反周期实际操作中发挥着巨大作用。新凯恩斯主义宏观理论既吸收了凯恩斯主义需求理论，也吸收了新古典主义包含理论预期理论，既强调政府干预必要性，又重视经济运行供给方面，其基本理论内容能够在我国宏观经济分析中给予借鉴。本模型是在借鉴了新凯恩斯主义经济理论和其它经济理论，并结合我国当前经济体制过渡期一些特点建立起来。,伴随改革深入，我国市场化水平提升，供求关系已发生了根本改变，产出多少不再由生产能力单方面决定，而是以需求为主，由需求与供给双方共同作用决定。此模型研制了SNA核实体系下供给、需求双导向宏观经济计量模型，短期内产出由需求决定，而长久内必须将二者结合起来，共同决定产出、价格与就业。,第45页,模型核心是三条曲线（IS曲线、LM曲线、菲利普斯曲线）及Cobb-Douglas生产函数。,1、IS 曲线反映了产品市场均衡,总产出Y由对消费C、投资I、政府支出G、净出口NX 四部分需求决定：,Y=C+I+G+NX （1）,其中消费C与可支配收入YT及实际利率有关，T是税收。关于投资I，一方面是利率函数，其次由加速原理，是产出增量Y 函数，所以,C=f(Y-T,i)I=f(i,Y)（2）,政府支出G是外生变量，由政府财政政策决定。,净出口NX与汇率E、世界进出口商品贸易、世界贸易出口价格、国内进口价格及国内产出Y 有关。所以净出口函数为,NX=f（E,X,Y），其中X 表示其它因素 （3）,第46页,2、,LM,曲线反应了货币市场均衡,货币供给,Ms,由中央银行货币政策决定，而货币需求,Md,，依据凯恩斯灵活性偏好理论由实际利率,i,和产出,Y,决定。即,Md=f,（,i,Y,）。当货币市场均衡时有：,Ms=Md=f,（,i，Y,）,（4）,3、总供给由生产函数 Y*=,f,(K，L)决定。,其中,Y*,是潜在生产能力，也称为充分就业产量，是指经济到达充分就业、资源充分利用时所能到达产量，它代表总供给，,K,是资本存量，,K=K,-1,(1,d,)+,I,，此处,d,代表折旧率。,L,是劳动力数量，利用Cobb-Douglas生产函数计算潜在生产能力。,4、菲利普斯曲线将总供给与总需求经过价格,P,结合起来。,(,Y*Y,),/Y*,反应了市场供求矛盾，即产出缺口（相对量）。通货膨胀率,主要由它决定：,=,(,PP,-1,),P,-1,=,f,(,Y*Y,),Y*,),（5）,该方程是菲利普斯曲线一个变形，因为我们缺乏我国确切失业率数据，产出缺口和失业率作用相当。因为引入菲利普斯曲线，模型中总供给与总需求经过价格有机结合起来，也使模型成为一个封闭系统。,第47页,依据货币主义理论，通货膨胀是一个货币现象，实证表明我国通货膨胀或通货紧缩与货币供给改变相关，所以在菲利普斯曲线中加入货币供给改变率，使价格由市场压力与货币供给改变共同决定：,=,(,P,P,-1,),P,-1,=f,(,Y*,Y,),/Y*,，(,Ms,Ms,-1,),/Ms,-1,),（6）,模型是由,115,个方程组成联立方程模型，其中包含,62,个行为方程，,53,个定义方程，模型中包含,135,个变量，其中,20,个外生变量，,115,个内生变量。模型共分,9,个模块，分别为：,1,.生产模块、,2.,劳动力模块、,3.,消费模块、,4.,投资模块、,5.,外贸模块、,6.,收入模块、,7.,物价模块、,8.,金融模块、,9.,财政模块。,下面是模型文本说明和预计结果:,第48页,第49页,第50页,19.5,命 令,如要建立一个系统，在,system,后面输入系统名：,system demand1,这么就建立一个名为,demand1,系统，假如要对系统进行预计，在系统名后输入一个点并输入预计系统所需要预计方法如输入：,sys1.fiml,就能够对系统,sys1,用完全信息极大似然法进行预计。,如要取得建立系统对象所需完整命令表和选项请参考命令和语法参考。,返 回,第51页,