工具變量法IV兩階段最小二乘法TSLS課件

第四節(jié)聯(lián)立方程模型的參數(shù)估計(jì)對(duì)聯(lián)立方程組模型參數(shù)的估計(jì)方法有兩大類：1）單一方程估計(jì)法，包括：間接最小二乘法（ILS）、工具變量法（IV）、兩階段最小二乘法（TSLS）、有限信息最大似然估計(jì)法（LIML）等。這些方法是對(duì)方程組中的每一個(gè)可識(shí)別的結(jié)構(gòu)方程逐一單獨(dú)地估計(jì)其參數(shù)，最后得到整個(gè)模型的參數(shù)估計(jì)值。這些方法都僅用到了模型簡(jiǎn)化式方程信息，因此稱為有限信息方法。一、聯(lián)立方程模型參數(shù)估計(jì)方法分類第四節(jié)聯(lián)立方程模型的參數(shù)估計(jì)對(duì)聯(lián)立方程組模型參數(shù)的估計(jì)方法2）方程組系統(tǒng)估計(jì)法包括：三階段最小二乘法（3SLS）、完全信息最大似然估計(jì)法（FIML）等。這些方法是對(duì)模型中所有結(jié)構(gòu)方程的參數(shù)同時(shí)進(jìn)行估計(jì)，從而獲得模型全部參數(shù)的估計(jì)值。它利用了模型的全部方程信息，稱為完全信息方法。2）方程組系統(tǒng)估計(jì)法對(duì)結(jié)構(gòu)式方程中的隨機(jī)誤差變量ui，有假設(shè)：對(duì)結(jié)構(gòu)式方程中的隨機(jī)誤差變量ui，有假設(shè)：ILS適用于恰好識(shí)別的結(jié)構(gòu)方程，對(duì)過度識(shí)別的結(jié)構(gòu)方程是不適宜的，對(duì)不可識(shí)別的結(jié)構(gòu)方程不能用。它的原理是通過簡(jiǎn)約式模型的參數(shù)估計(jì)值，唯一地求出結(jié)構(gòu)方程的參數(shù)估計(jì)值。用一個(gè)例子說明其算法和步驟。二、間接最小二乘法（ILS）ILS適用于恰好識(shí)別的結(jié)構(gòu)方程，對(duì)過度識(shí)別的結(jié)構(gòu)方程1）算法：考慮如下模型其中：為內(nèi)生變量，為外生變量。1）算法：考慮如下模型其中：為內(nèi)生變量，為外生變量。模型可寫成矩陣形式：系數(shù)矩陣為：模型可寫成矩陣形式：系數(shù)矩陣為：工具變量法IV兩階段最小二乘法TSLS課件2）ILS步驟：考慮第一個(gè)結(jié)構(gòu)方程：它是恰好識(shí)別的，方程中包含兩個(gè)內(nèi)生變量Y1、Y2，對(duì)應(yīng)的簡(jiǎn)化式：2）ILS步驟：考慮第一個(gè)結(jié)構(gòu)方程：利用結(jié)構(gòu)式與簡(jiǎn)約式系數(shù)的關(guān)系式可得方程組：若已知πij，即可解出惟一的cij，第一個(gè)結(jié)構(gòu)方程得以估計(jì)。這樣，結(jié)構(gòu)方程的參數(shù)估計(jì)值用傳統(tǒng)的OLS就得到了。利用結(jié)構(gòu)式與簡(jiǎn)約式系數(shù)的關(guān)系式可得方程組：若已知πij，即可ILS的步驟一、先對(duì)模型作識(shí)別判斷，找出恰好識(shí)別的方程；二、利用簡(jiǎn)約式和結(jié)構(gòu)式參數(shù)的關(guān)系式求出線性方程式三、對(duì)簡(jiǎn)約式求OLS，得到，將代入關(guān)系式，求出ILS的步驟一、先對(duì)模型作識(shí)別判斷，找出恰好識(shí)別的方程；間接最小二乘方法步驟一、求恰好識(shí)別方程結(jié)構(gòu)式參數(shù)與簡(jiǎn)約式模型參數(shù)的唯一關(guān)系式;二、對(duì)簡(jiǎn)約式模型逐個(gè)方程求OLS，得到簡(jiǎn)約式模型中所有的參數(shù)估計(jì)值；三、將簡(jiǎn)約式參數(shù)估計(jì)值代入關(guān)系式，求結(jié)構(gòu)方程參數(shù)的估計(jì)值。間接最小二乘方法步驟一、求恰好識(shí)別方程結(jié)構(gòu)式參數(shù)與簡(jiǎn)約式模型方程是過度識(shí)別的，ILS方法不適宜了。下面我們介紹使用TSLS方法，其思想是估計(jì)分兩個(gè)階段：第一階段是對(duì)結(jié)構(gòu)方程右端所包含的所有內(nèi)生變量（作為解釋變量）所對(duì)應(yīng)的簡(jiǎn)化式方程進(jìn)行OLS估計(jì),得到內(nèi)生變量的估計(jì)（回歸)值；第二階段是用第一階段作出的內(nèi)生變量的估計(jì)值替換結(jié)構(gòu)方程中右端的內(nèi)生（解釋）變量后，再進(jìn)行OLS估計(jì)，即得到其結(jié)構(gòu)參數(shù)的TSLS估計(jì)量。TSLS方法不管方程是恰好識(shí)別的，還是過度識(shí)別的，都是有效的，計(jì)算步驟是一樣的。三、兩階段最小二乘法（TSLS）方程是過度識(shí)別的，ILS方法不適宜了。下面我們介紹使用TSL右端包含的內(nèi)生變量是Y3，其簡(jiǎn)化式方程為：對(duì)此簡(jiǎn)化式方程使用OLS法估計(jì)得：考慮第二個(gè)結(jié)構(gòu)方程：……有，代入（c）式有：……（d）對(duì)（d）式應(yīng)用OLS，即得到結(jié)構(gòu)參數(shù)的估計(jì)值。(c)右端包含的內(nèi)生變量是Y3，其簡(jiǎn)化式方程為：對(duì)此簡(jiǎn)化式方程使用強(qiáng)調(diào)的是：只要結(jié)構(gòu)方程式可識(shí)別的，就可以應(yīng)用TSLS方法進(jìn)行參數(shù)估計(jì)，而且此方法是最常用的。^值得注意的是：對(duì)（d）式應(yīng)用OLS時(shí)，所使用的樣本數(shù)據(jù)是樣本觀測(cè)值Y2t、X3t和Y3t的估計(jì)值Y3t。強(qiáng)調(diào)的是：只要結(jié)構(gòu)方程式可識(shí)別的，就可以應(yīng)用TSLS方法進(jìn)行TSLS法的使用條件如下：1）結(jié)構(gòu)方程的隨機(jī)誤差項(xiàng)需滿足零均值、同方差、序列無關(guān)假設(shè)；2）所有的k個(gè)前定變量與隨機(jī)誤差項(xiàng)不相關(guān)；前定變量間無嚴(yán)重的多重共線性；3）樣本容量n足夠大，至少要n>k；4）待估計(jì)的結(jié)構(gòu)方程式可識(shí)別的。TSLS法的使用條件如下：TSLS法估計(jì)量的性質(zhì)如下：1）小樣本下的TSLS估計(jì)量是有偏的；2）大樣本下的TSLS估計(jì)量是一致的；3）方程恰好識(shí)別時(shí)，ILS與TSLS估計(jì)一致；4）模型可識(shí)別時(shí)，每一個(gè)結(jié)構(gòu)方程都可用TSLS估計(jì)參數(shù)。TSLS是最常用的方法——先建立理論聯(lián)立結(jié)構(gòu)方程組模型，再進(jìn)行單個(gè)方程的TSLS估計(jì)。TSLS法估計(jì)量的性質(zhì)如下：四、工具變量法IV

ILS和TSLS都屬于工具變量法。工具變量法，即對(duì)模型方程中出現(xiàn)隨機(jī)解釋變量X時(shí)，選擇一個(gè)合適的變量Z作為工具變量，將OLS估計(jì)值重新寫為：對(duì)工具變量Z，要求滿足：⑴Z與隨機(jī)誤差變量u漸近不相關(guān)，即有⑵Z與被替代的隨機(jī)解釋變量漸近相關(guān)，有：為一有限常數(shù)。四、工具變量法IV重新寫為：對(duì)工具變量Z，要求滿足：⑵Z與被ILS和TSLS的工具變量1.ILS的工具變量：若一個(gè)恰好識(shí)別的方程被解釋變量為，出現(xiàn)在右邊作為解釋變量的內(nèi)生變量為，未出現(xiàn)的前定變量為，用這些未出現(xiàn)的前定變量代替作為解釋變量的內(nèi)生變量，就成為ILS的工具變量。所以，此時(shí)工具變量即為全部前定變量。而原解釋變量為ILS和TSLS的工具變量1.ILS的工具變量：若一個(gè)恰好識(shí)2.TSLS的工具變量如果一個(gè)過度識(shí)別的方程，出現(xiàn)在右邊作為解釋變量的內(nèi)生變量為但未出現(xiàn)的前定變量個(gè)數(shù)要多于k1-1，不能象ILS一樣用前定變量代替。根據(jù)TSLS的原理，工具變量中那些內(nèi)生解釋變量是用估計(jì)值代替的，即有：其中：是方程中出現(xiàn)的前定變量。原解釋變量2.TSLS的工具變量如果一個(gè)過度識(shí)別的方程，出現(xiàn)在右邊作為三者之間的關(guān)系ILS是TSLS的一種特殊形式，而ILS和TSLS都是工具變量法。即有：三者之間的關(guān)系ILS是TSLS的一種特殊形式，而ILS和TS工具變量法的幾個(gè)概念：1.工具變量只針對(duì)隨機(jī)解釋變量；但寫法上要寫出所有替代或未替代的解釋變量。2.在聯(lián)立方程結(jié)構(gòu)方程中，要替代的只是出現(xiàn)在解釋變量中的內(nèi)生變量；3.恰好識(shí)別的方程中，作為解釋變量出現(xiàn)的內(nèi)生變量個(gè)數(shù)與未出現(xiàn)的前定變量個(gè)數(shù)相同，所以用未出現(xiàn)的前定變量來替代內(nèi)生變量，形成工具變量。所以ILS的工具變量正好是全部的前定變量；4.過度識(shí)別方程中，內(nèi)生解釋變量個(gè)數(shù)要少于未出現(xiàn)的前定變量個(gè)數(shù)，所以可考慮用自身簡(jiǎn)約式的估計(jì)值來代替內(nèi)生解釋變量。TSLS的工具變量就是將原解釋變量中的內(nèi)生變量用估計(jì)值代替形成。工具變量法的幾個(gè)概念：1.工具變量只針對(duì)隨機(jī)解釋變量；但寫法聯(lián)立方程模型參數(shù)估計(jì)的EViews實(shí)現(xiàn)在做參數(shù)估計(jì)前,須先對(duì)隨機(jī)結(jié)構(gòu)方程作識(shí)別判斷,確定估計(jì)方法.若方程是恰好識(shí)別的,則可用間接OLS;若方程是過度識(shí)別的,則須用二階段最小二乘估計(jì).在Eviews中,上述兩種方法都采用二階段的OLS,即TSLS.聯(lián)立方程模型參數(shù)估計(jì)的EViews實(shí)現(xiàn)在做參數(shù)估計(jì)前,須先對(duì)步驟首先,確定模型中的內(nèi)生變量及外生變量,建立工作文件,并將各變量的樣本數(shù)據(jù)輸入,建立序列.其次,點(diǎn)總菜單quick—EstimateEquation,在方法框里選TSLS,顯示步驟首先,確定模型中的內(nèi)生變量及外生變量,建立工作文件,并將估計(jì)是逐個(gè)方程展開。以EViews附帶的工作文件cs.wf為例。工作文件界面為：其中CS（人均消費(fèi)）、INV（投資）和GDP為內(nèi)生變量。Gov_net為外生變量。估計(jì)是逐個(gè)方程展開。以EViews附帶的工作文件cs.wf為建立模型如下：cs=c(1)+c(2)*gdp+u1inv=c(3)+c(4)*gdp+c(5)*gdp(-1)+u2Gdp=cs+inv+gov_net經(jīng)模型的識(shí)別判斷，第一個(gè)消費(fèi)方程過度識(shí)別，第二個(gè)投資方程為恰好識(shí)別，模型可以識(shí)別，故可用TSLS來估計(jì)參數(shù)。建立模型如下：cs=c(1)+c(2)*gdp+u1可以逐個(gè)方程回歸。因第一個(gè)方程過度識(shí)別，所以要用全部前定變量為工具變量（常變量可不寫）。出現(xiàn)界面為：可以逐個(gè)方程回歸。因第一個(gè)方程過度識(shí)別，所以要用全部前定變量結(jié)果：DependentVariable:CS Method:Two-StageLeastSquares Date:12/18/05Time:13:27 Sample(adjusted):1947:21994:4 Includedobservations:191afteradjustingendpoints Instrumentlist:GOV_NETGDP(-1) VariableCoefficient Std.Error t-Statistic Prob. C -195.7920 8.749597 -22.37726 0.0000 GDP 0.706348 0.002676 263.9937 0.0000 R-squared 0.997296 Meandependentvar1953.966 AdjustedR-squared0.997282S.D.dependentvar848.4387 S.E.ofregression 44.23232 Sumsquaredresid 369778.1 F-statistic 69692.66 Durbin-Watsonstat 0.122247 Prob(F-statistic) 0.000000 各項(xiàng)指標(biāo)較令人滿意。結(jié)果：DependentVariable:CS 第二個(gè)方程恰好識(shí)別，工具變量正是全體前定變量，命令截圖如下：第二個(gè)方程恰好識(shí)別，工具變量正是全體前定變量，命令截圖如下：結(jié)果：DependentVariable:INV Method:Two-StageLeastSquares Date:12/18/05Time:13:34 Sample(adjusted):1947:21994:4 Includedobservations:191afteradjustingendpoints Instrumentlist:GOV_NETGDP(-1) Variable Coefficient Std.Error t-Statistic Prob. C -455.098521307 133.037097245 -3.42083923004 0.00076578 GDP 14.1088937141 12.3798414198 10.255875108 GDP(-1) -13.9602274136 12.434575533 -1.12269432732 0.262999

R-squared -1.36062640573 Meandependentvar 303.927224124 AdjustedR-squared -1.3857394526 S.D.dependentvar 261.368286007 S.E.ofregression 403.705248945 Sumsquaredresid 30639850.4689 F-statistic 37.6556812684 Durbin-Watsonstat 1.25547782065 Prob(F-statistic) 1.76479958893e-14 R2和修正的R2顯然不合理，模型中GDP與滯后一期的值有較強(qiáng)的共線性。此時(shí)可考慮用其它方法來估計(jì)參數(shù)。結(jié)果：DependentVariable:INV 第四節(jié)聯(lián)立方程模型的參數(shù)估計(jì)對(duì)聯(lián)立方程組模型參數(shù)的估計(jì)方法有兩大類：1）單一方程估計(jì)法，包括：間接最小二乘法（ILS）、工具變量法（IV）、兩階段最小二乘法（TSLS）、有限信息最大似然估計(jì)法（LIML）等。這些方法是對(duì)方程組中的每一個(gè)可識(shí)別的結(jié)構(gòu)方程逐一單獨(dú)地估計(jì)其參數(shù)，最后得到整個(gè)模型的參數(shù)估計(jì)值。這些方法都僅用到了模型簡(jiǎn)化式方程信息，因此稱為有限信息方法。一、聯(lián)立方程模型參數(shù)估計(jì)方法分類第四節(jié)聯(lián)立方程模型的參數(shù)估計(jì)對(duì)聯(lián)立方程組模型參數(shù)的估計(jì)方法2）方程組系統(tǒng)估計(jì)法包括：三階段最小二乘法（3SLS）、完全信息最大似然估計(jì)法（FIML）等。這些方法是對(duì)模型中所有結(jié)構(gòu)方程的參數(shù)同時(shí)進(jìn)行估計(jì)，從而獲得模型全部參數(shù)的估計(jì)值。它利用了模型的全部方程信息，稱為完全信息方法。2）方程組系統(tǒng)估計(jì)法對(duì)結(jié)構(gòu)式方程中的隨機(jī)誤差變量ui，有假設(shè)：對(duì)結(jié)構(gòu)式方程中的隨機(jī)誤差變量ui，有假設(shè)：ILS適用于恰好識(shí)別的結(jié)構(gòu)方程，對(duì)過度識(shí)別的結(jié)構(gòu)方程是不適宜的，對(duì)不可識(shí)別的結(jié)構(gòu)方程不能用。它的原理是通過簡(jiǎn)約式模型的參數(shù)估計(jì)值，唯一地求出結(jié)構(gòu)方程的參數(shù)估計(jì)值。用一個(gè)例子說明其算法和步驟。二、間接最小二乘法（ILS）ILS適用于恰好識(shí)別的結(jié)構(gòu)方程，對(duì)過度識(shí)別的結(jié)構(gòu)方程1）算法：考慮如下模型其中：為內(nèi)生變量，為外生變量。1）算法：考慮如下模型其中：為內(nèi)生變量，為外生變量。模型可寫成矩陣形式：系數(shù)矩陣為：模型可寫成矩陣形式：系數(shù)矩陣為：工具變量法IV兩階段最小二乘法TSLS課件2）ILS步驟：考慮第一個(gè)結(jié)構(gòu)方程：它是恰好識(shí)別的，方程中包含兩個(gè)內(nèi)生變量Y1、Y2，對(duì)應(yīng)的簡(jiǎn)化式：2）ILS步驟：考慮第一個(gè)結(jié)構(gòu)方程：利用結(jié)構(gòu)式與簡(jiǎn)約式系數(shù)的關(guān)系式可得方程組：若已知πij，即可解出惟一的cij，第一個(gè)結(jié)構(gòu)方程得以估計(jì)。這樣，結(jié)構(gòu)方程的參數(shù)估計(jì)值用傳統(tǒng)的OLS就得到了。利用結(jié)構(gòu)式與簡(jiǎn)約式系數(shù)的關(guān)系式可得方程組：若已知πij，即可ILS的步驟一、先對(duì)模型作識(shí)別判斷，找出恰好識(shí)別的方程；二、利用簡(jiǎn)約式和結(jié)構(gòu)式參數(shù)的關(guān)系式求出線性方程式三、對(duì)簡(jiǎn)約式求OLS，得到，將代入關(guān)系式，求出ILS的步驟一、先對(duì)模型作識(shí)別判斷，找出恰好識(shí)別的方程；間接最小二乘方法步驟一、求恰好識(shí)別方程結(jié)構(gòu)式參數(shù)與簡(jiǎn)約式模型參數(shù)的唯一關(guān)系式;二、對(duì)簡(jiǎn)約式模型逐個(gè)方程求OLS，得到簡(jiǎn)約式模型中所有的參數(shù)估計(jì)值；三、將簡(jiǎn)約式參數(shù)估計(jì)值代入關(guān)系式，求結(jié)構(gòu)方程參數(shù)的估計(jì)值。間接最小二乘方法步驟一、求恰好識(shí)別方程結(jié)構(gòu)式參數(shù)與簡(jiǎn)約式模型方程是過度識(shí)別的，ILS方法不適宜了。下面我們介紹使用TSLS方法，其思想是估計(jì)分兩個(gè)階段：第一階段是對(duì)結(jié)構(gòu)方程右端所包含的所有內(nèi)生變量（作為解釋變量）所對(duì)應(yīng)的簡(jiǎn)化式方程進(jìn)行OLS估計(jì),得到內(nèi)生變量的估計(jì)（回歸)值；第二階段是用第一階段作出的內(nèi)生變量的估計(jì)值替換結(jié)構(gòu)方程中右端的內(nèi)生（解釋）變量后，再進(jìn)行OLS估計(jì)，即得到其結(jié)構(gòu)參數(shù)的TSLS估計(jì)量。TSLS方法不管方程是恰好識(shí)別的，還是過度識(shí)別的，都是有效的，計(jì)算步驟是一樣的。三、兩階段最小二乘法（TSLS）方程是過度識(shí)別的，ILS方法不適宜了。下面我們介紹使用TSL右端包含的內(nèi)生變量是Y3，其簡(jiǎn)化式方程為：對(duì)此簡(jiǎn)化式方程使用OLS法估計(jì)得：考慮第二個(gè)結(jié)構(gòu)方程：……有，代入（c）式有：……（d）對(duì)（d）式應(yīng)用OLS，即得到結(jié)構(gòu)參數(shù)的估計(jì)值。(c)右端包含的內(nèi)生變量是Y3，其簡(jiǎn)化式方程為：對(duì)此簡(jiǎn)化式方程使用強(qiáng)調(diào)的是：只要結(jié)構(gòu)方程式可識(shí)別的，就可以應(yīng)用TSLS方法進(jìn)行參數(shù)估計(jì)，而且此方法是最常用的。^值得注意的是：對(duì)（d）式應(yīng)用OLS時(shí)，所使用的樣本數(shù)據(jù)是樣本觀測(cè)值Y2t、X3t和Y3t的估計(jì)值Y3t。強(qiáng)調(diào)的是：只要結(jié)構(gòu)方程式可識(shí)別的，就可以應(yīng)用TSLS方法進(jìn)行TSLS法的使用條件如下：1）結(jié)構(gòu)方程的隨機(jī)誤差項(xiàng)需滿足零均值、同方差、序列無關(guān)假設(shè)；2）所有的k個(gè)前定變量與隨機(jī)誤差項(xiàng)不相關(guān)；前定變量間無嚴(yán)重的多重共線性；3）樣本容量n足夠大，至少要n>k；4）待估計(jì)的結(jié)構(gòu)方程式可識(shí)別的。TSLS法的使用條件如下：TSLS法估計(jì)量的性質(zhì)如下：1）小樣本下的TSLS估計(jì)量是有偏的；2）大樣本下的TSLS估計(jì)量是一致的；3）方程恰好識(shí)別時(shí)，ILS與TSLS估計(jì)一致；4）模型可識(shí)別時(shí)，每一個(gè)結(jié)構(gòu)方程都可用TSLS估計(jì)參數(shù)。TSLS是最常用的方法——先建立理論聯(lián)立結(jié)構(gòu)方程組模型，再進(jìn)行單個(gè)方程的TSLS估計(jì)。TSLS法估計(jì)量的性質(zhì)如下：四、工具變量法IV

ILS和TSLS都屬于工具變量法。工具變量法，即對(duì)模型方程中出現(xiàn)隨機(jī)解釋變量X時(shí)，選擇一個(gè)合適的變量Z作為工具變量，將OLS估計(jì)值重新寫為：對(duì)工具變量Z，要求滿足：⑴Z與隨機(jī)誤差變量u漸近不相關(guān)，即有⑵Z與被替代的隨機(jī)解釋變量漸近相關(guān)，有：為一有限常數(shù)。四、工具變量法IV重新寫為：對(duì)工具變量Z，要求滿足：⑵Z與被ILS和TSLS的工具變量1.ILS的工具變量：若一個(gè)恰好識(shí)別的方程被解釋變量為，出現(xiàn)在右邊作為解釋變量的內(nèi)生變量為，未出現(xiàn)的前定變量為，用這些未出現(xiàn)的前定變量代替作為解釋變量的內(nèi)生變量，就成為ILS的工具變量。所以，此時(shí)工具變量即為全部前定變量。而原解釋變量為ILS和TSLS的工具變量1.ILS的工具變量：若一個(gè)恰好識(shí)2.TSLS的工具變量如果一個(gè)過度識(shí)別的方程，出現(xiàn)在右邊作為解釋變量的內(nèi)生變量為但未出現(xiàn)的前定變量個(gè)數(shù)要多于k1-1，不能象ILS一樣用前定變量代替。根據(jù)TSLS的原理，工具變量中那些內(nèi)生解釋變量是用估計(jì)值代替的，即有：其中：是方程中出現(xiàn)的前定變量。原解釋變量2.TSLS的工具變量如果一個(gè)過度識(shí)別的方程，出現(xiàn)在右邊作為三者之間的關(guān)系ILS是TSLS的一種特殊形式，而ILS和TSLS都是工具變量法。即有：三者之間的關(guān)系ILS是TSLS的一種特殊形式，而ILS和TS工具變量法的幾個(gè)概念：1.工具變量只針對(duì)隨機(jī)解釋變量；但寫法上要寫出所有替代或未替代的解釋變量。2.在聯(lián)立方程結(jié)構(gòu)方程中，要替代的只是出現(xiàn)在解釋變量中的內(nèi)生變量；3.恰好識(shí)別的方程中，作為解釋變量出現(xiàn)的內(nèi)生變量個(gè)數(shù)與未出現(xiàn)的前定變量個(gè)數(shù)相同，所以用未出現(xiàn)的前定變量來替代內(nèi)生變量，形成工具變量。所以ILS的工具變量正好是全部的前定變量；4.過度識(shí)別方程中，內(nèi)生解釋變量個(gè)數(shù)要少于未出現(xiàn)的前定變量個(gè)數(shù)，所以可考慮用自身簡(jiǎn)約式的估計(jì)值來代替內(nèi)生解釋變量。TSLS的工具變量就是將原解釋變量中的內(nèi)生變量用估計(jì)值代替形成。工具變量法的幾個(gè)概念：1.工具變量只針對(duì)隨機(jī)解釋變量；但寫法聯(lián)立方程模型參數(shù)估計(jì)的EViews實(shí)現(xiàn)在做參數(shù)估計(jì)前,須先對(duì)隨機(jī)結(jié)構(gòu)方程作識(shí)別判斷,確定估計(jì)方法.若方程是恰好識(shí)別的,則可用間接OLS;若方程是過度識(shí)別的,則須用二階段最小二乘估計(jì).在Eviews中,上述兩種方法都采用二階段的OLS,即TSLS.聯(lián)立方程模型參數(shù)估計(jì)的EViews實(shí)現(xiàn)在做參數(shù)估計(jì)前,須先對(duì)步驟首先,確定模型中的內(nèi)生變量及外生變量,建立工作文件,并將各變量的樣本數(shù)據(jù)輸入,建立序列.其次,點(diǎn)總菜單quick—EstimateEquation,在方法框里選TSLS,顯示步驟首先,確定模型中的內(nèi)生變量及外生變量,建立工作文件,并將估計(jì)是逐個(gè)方程展開。以EViews附帶的工作文件cs.wf為例。工作文件界面為：其中CS（人均消費(fèi)）、INV（投資）和GDP為內(nèi)生變量。Gov_net為外生變量。估計(jì)是逐個(gè)方程展開。以EViews附帶的工作文件cs.wf為建立模型如下：cs=c(1)+c(2)*gdp+u1inv=c(3)+c(4)*gdp+c(5)*gdp(-1)+u2Gdp=cs+inv+gov_net經(jīng)模型的識(shí)別判斷，第一個(gè)消費(fèi)方程過度識(shí)別，第二個(gè)投資方程為恰好識(shí)別，模型可以識(shí)別，故可用TSLS來估計(jì)參數(shù)。建立模型如下：cs=c(1)+c(2)*gdp+u1可以逐個(gè)方程回歸。因第一個(gè)方程過度識(shí)別，所以要用全部前定變量為工具變量（常變量可不寫）。出現(xiàn)界面為：可以逐個(gè)方程回歸。因第一個(gè)方程過度識(shí)別，所以要用全部前定變量結(jié)果：DependentVariable:CS Method:Two-StageLeastSquares Date:12/18/05Time:13:27 Sample(adjusted):1947:21994:4 Includedobservations:191afteradjustingendpoints Instrumentlist:GOV_NETGDP(-1) VariableCoefficient Std.Error t-Statistic Prob. C -195.7920 8.749597 -22.37726 0.0000 GDP 0.706348 0.002676 263.9937 0.0000 R-squared 0.997296 Meandependentvar1953.966 AdjustedR-squared0.997282S.D.dependentvar848.4387 S.E.ofregression 44.23232 Sumsquaredresid 369778.1 F-statistic 69692.66 Durbin-Watsonstat 0.122247 Prob(F-statisti