计量经济学模型
计量经济学模型范文第1篇
论文摘要:宏观经济学模型,是计量经济学模型研究中的一个重要领域,具有很强的实用价值。本文中,我们首先选取了四部门构成的宏观经济理论,并根据现实的经济情况,构造出了一个联立方程的计量经济学模型,并通过了识别。接下来,我们从2007年的《中国统计年鉴》中,筛选出需要的数据,进行实证分析,采用最小二乘法,对模型参数进行了估计,并对估计出的参数进行了四步的检验。最后,我们得出了这个方程,并对这个模型的优缺点进行了讨论。
一、引言
所谓宏观经济,是指一个国家,一个社会总体的经济行为及其后果。而宏观计量经济学模型是在一国的宏观经济总量水平上,把握和反映经济运动的全面特征,研究宏观经济主要指标间的相互依存关系,用数学的语言描述国民经济和社会再生产过程各环节之间的联系,并可以用以进行宏观经济的结构分析、政策评价、决策研究和发展预测。本文中,我们选取了经典的四部门(消费者、企业、政府、国外)经济的国民收入构成理论,作为我们研究的理论基础,并以此来建立模型。
二、模型的构建与识别
1、模型的构建
首先,根据四部门经济的国民收入构成理论,我们可以得到以下等式:
y(t) = c(t) + i(t) + g(t) + nx(t)t=1978,1979 … 2005,2006
其中,y表示gdp,c表示居民消费,i表示投资,g表示政府购买,nx表示净出口。
我们假设政府购买和净出口额作为外生变量,由系统外部给定,并对系统内部其他变量产生影响。而居民消费和投资这两项指标,又都由当年的gdp决定。根据这些设定,我们分别建立居民消费和投资的方程,如下:
c(t) = a(0) + a(1)y(t) + u(1)(t) , t=1978,1979 … 2005,2006
i(t) = b(0) + b(1)y(t) + u(2)(t) , t=1978,1979 … 2005,2006
因此,最后我们得到了如下的联立方程计量经济学模型:
c(t) = a(0) + a(1)y(t) + u(1)(t)
i(t) = b(0) + b(1)y(t) + u(2)(t)
y(t) = c(t) + i(t) + g(t) + nx(t)t=1978,1979 … 2005,2006
2、模型的识别
由于我们完备的结构式模型为:
c(t) = a(0) + a(1)y(t) + u(1)(t)
i(t) = b(0) + b(1)y(t) + u(2)(t)
y(t) = c(t) + i(t) + g(t) + nx(t)t=1978,1979 … 2005,2006
结构参数矩阵为:
1 0 –a(1) -a(0) 0 0
0 1 –b(1) -b(0) 0 0
-1 -110 -1 -1
此时,g=3,k=3。
对于第1个方程,有
β0γ0= 1 0 0
-1-1-1
此时,g(1)=2,k(1)=1。
因此,r(β0γ0)=2=g-1,所以该方程可以识别。
又因为k(1)=1,则k-k(1)=2>g(1)-1,因此,该方程为过度识别方程。
对于第2个方程,有
β0γ0=1 0 0
-1-1-1
此时,g(2)=2,k(2)=1。
因此,r(β0γ0)=2=g-1,所以该方程可以识别。
又因为k(2)=1,则k-k(2)=2>g(2)-1,因此,该方程为过度识别方程。
而第3个方程,是平衡方程,不存在识别问题。
综合以上结果,该联立计量经济学模型是可以识别的。
三、实证研究
1、数据的选取
我们从《中国统计年鉴》(2007)中,得到如下样本观测值,用来对模型里的参数进行估计(见表1)。
2、参数的估计
我们将数据导入eviews 软件中,并在软件中进行操作,对各个方程的参数进行估计。我们采用两阶段最小二乘法进行估计,得到如下模型:
c(t) = 2286.983 + 0.388730y(t) + u(1)(t)
i(t) = -1222.740 + 0.415093y(t) + u(2)(t)
y(t) = c(t) + i(t) + g(t) + nx(t)t=1978,1979 … 2005,2006
3、参数的检验
首先,我们对模型进行经济意义检验。
在本模型中,模型参数估计量的符号、大小、相互关系,都与现实经济运行情况相符,因此,我们认为,本模型能通过经济意义检验。
第二,我们对模型进行统计检验。
通过上面的估计结果,我们可以看到,消费和投资两个方程的r-squared的值,分别为0.986370、0.992586,因此,两个方程的拟合优度都非常好,可以通过拟合优度检验。我们再看变量的显著性。由上表可以看出,两个方程中变量y的系数的t值分别为44.16973、59.90907。我们给定一个显著性水平α=0.05,查t分布表中,自由度为,α=0.05的临界值,得到t(α/2)(1)=6.314,小于两个方程变量y的系数的t值。因此,通过变量的显著性检验。
第三,我们对模型进行计量经济学检验。
我们使用图示检验法,对模型进行异方程性检验。做出散点图如下:
从以上图中可以看出,两幅散点图中,都没有出现明显的散点扩大、缩小或复杂型趋势,即两个方程中的随机干扰项,都没有出现明显的波动变化。因此,我们认为,本模型可以通过异方差性检验。
再来看随机干扰项是否存在序列相关性。从上边三个表中,我们可以看到,三个方程的durbin-watson stat的值分别为0.203004、0.281410。查d.w.分布表,我们可以知道,当n=29,k=2时,按1%的上下界时,dl=1.12,du=1.25。因此,三个d.w.值都小于dl,随机干扰项存在一定的正自相关。可采用广义最小二乘法等方法进行进一步修正。
由于本模型的前两个方程中,解释变量只有y这一个,因此不会发生多重共线性问题。
最后,我们对模型进行模型预测检验。
我们查找到了本次估计中未使用到的2007年的中国gdp数据,并带入模型进行检验,结果,得出的各项数据,与模型估计的值,比较好得符合。
至此,我们完成了该模型的检验。
四、结论与评价
通过上面的分析,我们最后得到了如下的中国宏观经济的计量经济学模型:
c(t) = 2286.983 + 0.388730y(t) + u(1)(t)
i(t) = -1222.740 + 0.415093y(t) + u(2)(t)
y(t) = c(t) + i(t) + g(t) + nx(t)t=1978,1979 … 2005,2006
这个模型,优点是比较简明,在应用它进行经济预测的时候,使用很方便,分析所用的数据也比较容易得到。所不足的是,该模型只能分析和预测宏观经济中最基本的量,不能详细地分析和预测整个经济系统的细节环节。对比如清华大学研制的256个方程联立构成的“中国宏观计量经济学cmet-1”等更为细致专业的模型,本文中使用的模型还是太显简略,还不能用于对国家经济的深入分析预测,尚有很大的改进和细化的空间。
参考文献:
[1] 李子奈,潘文卿。计量经济学(第二版),北京:高等教育出版社,2005年。
计量经济学模型范文第2篇
自从Paelinck提出“空间经济计量学”这个术语,Cliff和Ord(1973,1981)对空间自回回模型的开拓性工作,发展出广泛的模型、参数估计和检验技术,使得经济计量学建模中综合空间因素变得更加有效。
Anselin(1988)对空间经济计量学进行了系统的探究,它以及Cliff和Ord(1973,1981)这三本着作至今仍被广泛引用。Anselin对空间经济计量学的定义是:“在区域科学模型的统计分析中,探究由空间引起的各种特性的一系列方法。”Anselin所提到的区域科学模型,指明确将区域、位置及空间交互影响综合在模型中,并且它们的估计及确定也是基于参照地理的(即:截面的或时-空的)数据,数据可能来自于空间上的点,也可能是来自于某个区域,前者对应于经纬坐标,后者对应于区域之间的相对位置。
国外近几年空间经济计量学得以迅速发展,如Anselin和Florax(1995)指出的,主要得益于以下几点:
(1)人们对于空间及空间交互影响的功能的重新熟悉。对空间的重新关注并不局限于经济学,在其它社会科学中也得以反映。
(2)和地理对应的社会经济大型数据库的逐步实用性。在美国以及欧洲,官方统计部分提供的以区域和地区为统计单元的大型数据库很轻易得到,并且价格低廉。这些数据可以进行空前数目的截面或时空观测分析,这时,空间(或时空)自相关可能成为标准而非一种非凡情况。
(3)地理信息系统(GIS)和空间数据分析软件,以高效和低本钱的计算技术处理空间观测的发展。GIS的使用,答应地理数据的有效存储、快速恢复及交互可视化,为空间分析技术的艺术化提供了巨大的机会。至少目前线性模型中,缺少针对空间数据和空间经济计量学的软件的情况已经大为改观。目前已有一些专门的空间统计分析软件,并且SAS、S-PLUS等着名统计软件中,都已经包括用于空间统计分析的模块。
(二)空间经济计量学和相关学科的关系
空间统计学是探究空间新题目的另一门学科,它是应用数学的一个快速发展的分支。它起源于20世纪50年代早期,用以帮助采矿业进行矿躲量的计算。最早的工作是采矿工程师D.G.Krige和统计学家H.S.Sichel在南非进行的。70年代随着计算机的普及以及运算速度的大幅进步,空间统计分析技术逐渐扩展到地球科学的其它领域。目前已经普遍存在于需要处理时间上或空间上相关的数据的科技领域中。
空间经济计量学和空间统计学的区分不太轻易。Haining和Anselin的观点以为空间统计学的探究大多由数据驱动,而空间经济计量学由模型驱动,即从特定的理论或模型出发,重点放在新题目的估计、解释和检验上。空间统计学的主流是探究生态学和地质学中的物质现象,空间经济计量学主要探究和区域及城市经济有关的模型。有一种观点以为二者的区分应基于作者将其工作对应于空间经济计量学还是空间统计学,这种区分办法可能较为简单。
地质统计学(Geostatistics)发展于20世纪60年代,主要用于探究地质学现象的空间结构和进行空间估值。例如,在探矿过程中,通常是在空间上布点进行钻探,然后对采样得到的样品进行分析,估计矿躲的分布和储量。由于矿躲不开采的话,在时间上结构几乎是不变的,因此地质统计学探究的新题目主要是空间相关。空间经济计量学所探究的新题目不仅存在空间相关,往往所探究的新题目在时间上也存在相关。
在区域经济学的理论中,人们建立了各种理论以及关系式来描述人类在空间上的行为,如探究城镇新题目的“引力模型”等。但在利用模型进行定量探究新题目的时候,需要将理论或关系式用数学模型来进行刻划,利用统计方法对模型进行估计、检验,并进行评价,这些正好是属于经济计量学探究的范畴。应该说,空间经济计量学主要探究区域经济新题目,依据的是区域经济学理论,但它还需要综合数学,以及空间统计学等学科,因此它不等同于区域经济学,而是一门交叉学科。
二、探究的新题目
空间经济计量学主要探究存在空间效应的新题目。空间效应主要包括空间相关和空间差异性。在探究中涉及空间相邻、空间相邻矩阵等概念。
(一)空间相关
空间相关指在样本观测中,位于位置i的观测和其它j≠i的观测有关,即
附图
存在空间相关的原因有两方面:相邻空间单元存在丈量误差,空间交互影响的存在。丈量误差是由于调查过程中,数据的采集和空间中的单位有关,如数据是按省、市、县等统计的,但设定的空间单位和探究新题目不一致,存在丈量误差。
空间相关不仅意味着空间上的观测缺乏独立性,并且意味着潜伏于这种空间相关中的空间结构,也就是说空间相关的强度及模式由尽对位置和相对位置(布局,间隔)决定。
对于空间相关,空间自回回通常是其核心内容,空间自回回模型的一般形式为:
附图
在这个模型中,β解释变量X(n×k矩阵)的参数向量(k×1),ρ是空间滞后相关变量的参数,λ是残差空间自回回(空间AR)结构中的参数。
W[,1]和W[,2]为n×n矩阵,是标准化或未标准化的空间加权矩阵,分别对应于因变量以及扰动项中的空间自回回过程,这两个矩阵可以不同,这意味着两个过程由不同的空间结构天生。
这个模型可以退化成为普通的线性回回模型、(纯)空间自回回模型、混合回回和空间自回回模型、残差空间自回回模型等形式。
对这个模型,普通最小二乘估计不仅是有偏的,而且是不一致的,参数的估计通常采用极大似然估计,近几年,有学者尝试采用贝叶斯估计对参数进行估计。
(二)空间差异性
空间差异性指空间上的区域缺乏均一性,如存在中心区和郊区、先进和后进地区等。例如,我国沿海地区和中西部地区经济存在较大差别。
对于空间差异性,只要将空间单元的特性考虑进往,大多可以用经典经济计量学方法解决。但当空间差异性和空间相关共同存在时,经典经济计量学方法不再适用,而且这时新题目可能变得非常复杂,由于这时要区分空间差异性和空间相关可能非常困难。
探究空间差异性的模型主要有:
E.Casetti提出的空间扩展模型(1972)和回回参数漂移分析方法(简称DARP)模型(1982)。这时,空间差异性表现为模型参数随空间位置变化,并以空间单元的位置信息作为辅助变量(称为扩展参数)。
y=Xβ ε
附图
模型(3)为以经纬坐标(Z[,x],Z[,y])作为扩展参数的空间扩展模型。同样可以以到中心区域的间隔作为扩展参数设计模型。
将模型(3)的第二个式子右边加进随机扰动项,则为DARP模型。E.Casetti(1992)进一步提出了贝叶斯空间扩展模型。
D.P.McMillen和J.F.McDonald(1997),C.Brunsdon
,A.S.Fotheringham;MartinCharlton(1996),提出地理加权回回模型(简称GWR模型)。
附图
(三)时空数据空间模型
在模型中考虑时间维增加了描述的复杂性,但综合时间空间的模型在实际工作中非常有用。在经典的经济计量学模型中,这是综合截面和时间序列数据的情形。假如数据不存在空间相关,则可以采用PanelData模型。Anselin(1988)将似不相关(SUR)模型扩展到空间的情形,提出空间SUR模型。
三、应用远景及需要进一步探究的新题目
(一)在中国的应用远景
计量经济学模型范文第3篇
【关键词】经济领域 数学计量 数据模型 应用 分析
数学模型以及数序建模，是在以数据为主导的领域中应用最为广泛的数学内容，也是其发挥效果最好的领域。其中，为了能够更好的进行数据预算以及数学计算，在很大程度上需要针对应用领域进行模型的搭建，从而设计符合其领域内的数学计量模型。在经济领域中，应用数学计量数据模型的概率是非常高的，而且也需要不同形式以及不同功能的数据模型纪念性经济数据的计量。在不同的经济领域中，由于需要进行产出比以及数据的未来预测。因此，针对经济领域的数学计量数据模型的应用就更加广泛。本文以不同经济领域的数据模式进行举例分析，以此来分析如何更好的运用数据计量数据模型。
一、经济领域进行数据模型的应用需求分析
经济领域中，由于其覆盖的方向比较广泛，因此对于不同的经济领域而言，其设计的经济数据也会存在一定的差异性。那么，对于经济领域而言，数据在一定程度上能够反映该领域的发展状况以及产出比等重要数据。数据是经济的命脉，也是经济的方向。通过数据的呈现和分析，能够非常清晰的了解目前经济领域的发展状况以及未来的发展方向。也就是说，通常情况下，通过分析经济领域的数据，不仅仅能够掌握目前该领域的经济状况，更能够对未来的经济发展状况进行预测。因此，采用数据模型就现代非常重要。那么，对于经济领域而言，其进行数据模型的应用有哪些需求呢？
首先，针对不用经济领域进行分类，从而匹配与之对应的数学模型。由于经济领域是复杂并且多变的，而且经济形式也非常繁多。因此，对于经济领域一定要进行分类和划分，例如可以针对经济领域按照生产型以及虚拟型经济领域进行划分，那么针对生产型经济领域，就需要有针对性的进行数据统计以及数学模型的应用，而虚拟经济领域则更加依托虚拟数据的估算以及预测等。
其次，针对性的进行数据模型的设计；数据模型的设计需要从数学建模的思想中进行提取，从而根据实际的经济领域进行模型的建立。数据模型中，需要设置数据输入的端口，并且需要有输出的预算和测算。这在很多生产型经济领域中有着非常广泛的应用。此外，对于数据的预测是非常重要的，在经济领域中，一般都需要针对该领域进行产出比以及经济效益的预测，从而确保未来经济发展的稳定性。
最后，经济计量数据模型的需求更为广泛也更加实际；在数据估测过程中，需要针对经济数据进行模型评估，从而进行模型设计。对于计量数据的模型搭建，具备数据的基础需求分析，并且根据高等数学的概率论内容进行概率估算，从而针对经济领域的实际情况，进行经济计量数据模型的设计。
二、经济领域中数学计量数据模型的应用分析
样本分析，数据统计，数据评估是经济领域中非常重要的三个内容。那么，对于针对经济领域进行的数学计量数据模型的应用，也需要这三部分的内容进行搭建，从而设计针对不同经济领域的数学计量数据模型。因此，在应用方面，数学计量数据模型的作用也将从以上三个方面进行体现。根据不同的经济领域，数学计量数据模型的模型设计会有所不同，但是其设计理念与设计思想是可以并轨的。
第一，基于样本分析的数学计量数据模型应用；样本分析是根据经济领域中的以往数据或者是估算数据进行数据分析，针对经验数据的一种预测和估算方式。搭建数学计量数据模型的同时，主要依赖经验数据进行现有数据的预测。因此，基于样本分析的数学计量数据模型重点研究的内容是市场预测。也即是说，在未投身某一行业之中的时候，如何根据经验数据来预测行业风险以及经济效益。
第二，基于数据统计的数学计量数据模型应用；数据统计是某行业的经济发展已经达到一定的规模，但是每年或者每季度都需要进行经济评估，通过评估数据来确定该行业发展状况是否正常，是否有潜在的危机和现有的漏洞问题。基于数据统计的数学计量数据模型的应用重点在于分析当前的经济发展状况，是为了保证现有经济环境的健康和稳定性发展而进行的一种数学计量数据模型的应用。
第三，基于数据评估的数学计量数据模型应用；数据评估是对未来走向的一种经济预测。其中，对于经济领域的未来发展，通过建立数据评估的数学计量数据模型，可以根据经验数据和现有数据，进行未来经济数据的估算，通过这些估算数据可以充分的展现未来该经济领域的发展情况，是否有必要进行扩大化的发展。因此，这些数据的形成，都是在一定程度上反应该经济领域的发展状况以及未来的发展潜力。
总之，数学计量数据模型实际上可以针对经济领域的现有情况，以及未来的经济数据估算，来对某经济领域进行全方面的数据分析，从而通过数据的科学性来理性的进行经营和发展，从而实现经济的稳步发展。但是，重点在于如何能够将这些数据进行科学化的统计和估算，从而保证预测的准确性。
三、结语
通过对数学计量数据模型的分析，针对某一经济领域的数据测算等，这些数据的呈现，是通过长期的统计和计算得到的。而利用数学计量数据模型的作用，则是为了能够更加科学的进行预测和测算，从而对现有经济情况以及未来的发展等关键性因素进行分析和实践，从而保证在经济领域内的长远发展问题。总之，数学计量数据模型的应用，可以提高经济领域内的科学标准与价值，在稳步发展以及科学发展的进程中，起到至关重要的作用。
参考文献
[1]顾慰文，蔡福春，吴定华.宏观计量经济模型中变系数问题探讨[J].数量经济技术经济研究，1986（02）：29-35.
[2]黄小芳，盛永祥，吴洁.基于投入产出模型的钛白粉生产企业经济效益研究[J].工业工程，2014（02）：31-37.
计量经济学模型范文第4篇
摘要：本文对计量经济学及其研究的内容和方法，论文进行了综述、补充和总结，系统地从经济理论、统计学和科学性角度分析了计量经济学模型方法及其设定方式。
关键词计量经济学内容模型方法
计量经济学是经济理论、统计学和数学三者的结合。计量经济学研究的主体是经济现象发展变化的数量规律，计量经济模型描述的是经济变量之间的数量关系，这就决定了计量经济研究必须以经济理论和经济运行机制作为建立模型的理论依据。此外，由于计量经济研究过程是将经济理论与客观事实紧密联系起来进行分析，计量经济研究的结论反过来可以验证有关经济理论的正确与否（即是否符合客观实际）。因此，计量经济的研究成果又可以进一步充实，完善和发展经济理论。
数理经济学是一门以数学形式描述经济变量之间逻辑关系、运用数学符号和公式分析研究经济现象的学科。数理经济学与理论经济学的区别只是表述形式不同，所以，有人称之为“理论上的空盒子”。但是，数理经济学对计量经济学的产生和发展却有着重大影响，因为它毕竟将经济关系数学化、公式化了，为计量经济学的进一步研究奠定了基础。
计量经济学家在此基础做了两点改进，一是在模型中加入随机误差项，使模型成为随机方程。二是利用统计资料和数理统计方法估计出模型的具体形式。所以，计量经济学时计量经济研究的基础，计量经济学时数理经济学的具体应用和发展，计量经济的研究结果在数理经济学的“空盒子”中填上了实际内容。
一、关于计量经济学模型方法科学性的研究
讨论计量经济学模型方法的科学性，必须回答如下两个方面的问题。
1．计量经济学的哲学基础问题。广义的或者说完整的计量经济学模型方法并不是一般认为的“只能检验，不能发现”，而是一个能够作出科学发现的研究全过程。计量经济学模型不是有人认为的“是归纳的”，模型设定阶段的演绎与模型检验阶段的归纳相结合，构成了完整的、辨证的计量经济学模型的认识论。
2．计量经济学模型方法体系的内在一致性问题。现代计量经济学包括时间序列计量经济学、微观计量经济学、非参数计量经济学以及面板数据计量经济学等相对独立的分支。它们之间的关系，特别是内在一致性，是计量经济学模型方法是否具有科学性的重要体现。从计量经济学模型发展的角度，论述计量经济学模型方法的科学性。
二、关于计量经济学模型的统计学基础研究
与计量经济学模型方法的统计学基础相关的专题有3个，即模型类型设定对数据的依赖性、模型随机扰动项的源生性和假设检验的不对称性。“计量经济学模型对数据的依赖性”全面地论述了计量经济学模型与数据的关系。从计量经济学模型类型选择、总体回归模型设定、模型估计和模型应用等方面分析了数据的作用，强调了模型对数据的依赖性。具体包括，计量经济学应用模型的类型依赖于表征研究对象状态的数据类型，不同类型的数据，必须选择不同类型的模型。
从检验对象的角度，计量经济学中的假设检验大体分为四类。一是关于模型设定的检验。二是关于分布的检验。三是关于样本数据的检验。四是关于模型结果的检验。从检验方法的角度，计量经济学中的假设检验大体分为两类。一类是非嵌套检验。在非嵌套检验中，既设定了原假设，又同时设定了备择假设，检验一次完成。绝大多数假设检验都采用非嵌套检验。一类是嵌套检验。在嵌套检验中，只设定了原假设，没有明确的备择假设，检验非一次完成。当原假设被拒绝，需要设计进一步的检验。
假设检验中充满着不对称性。假设检验的不对称性包括三个方面，一是统计意义和经济意义的不对称性，属于经济学范畴；二是证伪和证实的不对称性，属于逻辑学范畴；三是犯第一类错误和犯第二类错误的不对称性，属于统计学范畴。正确理解假设检验的不对称性，对于正确认识和正确应用计量经济学模型方法，都是十分重要的。
三、关于计量经济学模型设定理论的研究
在经典计量经济学模型的应用研究中，直接依据经济学理论设定总体模型的现象十分普遍，因此经典计量经济学模型通常被认为是先验理论导向的。以先验的经济学理论作为计量经济学模型总体设定的导向，至少存在两个主要障碍。第一，正统经济学以经济人假设和理性选择为其理论体系的基石，任何一种理论都建立在决策主体是理性的和决策行为是最优的基础之上。而计量经济学模型总体设定的目的，是建立能够描述人们实际观察到的经济活动之中蕴藏着的一般规律的总体模型，毫无疑问，实际经济活动既不是“理陛”的，也不是“最优”的。第二，正统经济学理论强调“简单”，认为只有简单的理论才能够揭示本质。而计量经济学模型恰恰相反，它强调“一般”，必须将经济活动所涉及的所有因素包含其中。所以，即使经济学理论是正确的，也不能据此设定计量经济学模型，因为它舍弃了太多显著的因素。所谓“统计检验必要性”原则，是对数据关系导向的批评。
计量经济学模型设定应该遵循“经济主体动力学关系导向”原则。以经济主体与环境之间的动力学关系分析为基础和前提，基于该动力学过程生成的数据，以数据统计分析为必要条件，验证并确定经济主体与环境的互动关系，正是计量经济学总体模型所要界定的因果关系。以这样的原则设定计量经济学模型，可以实现先验理论导向和数据关系导向的综合。
参考文献：
[1]李芝倩.应用导向下的本科阶段计量经济学教学之思考.赤峰学院学报(自然科学版).2010(12).
[2]吴国新,余宇新.基于主体可计算模型的服务外包生态系统研究综述.国际商务研究.2010(06).
计量经济学模型范文第5篇
关键词:数理经济模型;计量经济模型;经济增长模型;生产函数
一、引言
作为索洛-斯旺经济增长模型的一个具体形式,20世纪30年代初,美国经济学家柯布和道格拉斯提出下列生产函数:
Y=Kα(AL)1-α,(0！
式中,K表示资本,L表示劳动,A表示“知识”或“劳动的有效性”,AL表示有效劳动,α是参数,Y表示产量。这就是着名的柯布-道格拉斯生产函数。柯布和道格拉斯用美国1899-1922年制造业的生产统计资料来估计模型的参数,得出:
Y=1.01L0.75K0.25
对这个生产函数以及柯布、道格拉斯所做的工作,余斌,程立如提出了下列批评[1]:
第一,柯布-道格拉斯生产函数“论证”了资本家的所得不是来自劳动所创造的剩余价值,而是来自资本的边际产出。从而成为为资本主义制度进行辩护的工具。第二,柯布-道格拉斯生产函数中遗漏了许多可能会影响产出的其他的重要因素。如:机器性能的提高、由于经济的短期波动而导致的资本闲置或过度使用的情况、工人每天(或每周或每年)工作小时数的变化、劳动者素质的变化、劳动强度的变化等。因而柯布和道格拉斯对模型所做的估计并无实际价值。本论文由整理提供第三,本来,生产函数须在一定技术条件以及一定的资本有机构成下(这两个条件在不同的生产部门有很大的差别)来讨论投入对产出的影响。可是,在柯布-道格拉斯生产函数中,这些条件是随意可变的。文献[1]举例说,由于这一疏忽,可能会引出“用1个轮胎配16个汽缸可以组成一辆汽车”这样的荒谬结论。
作为与余斌,程立如观点的商榷,程细玉、陈进坤阐述了下列几个基本观点[2]:第一,一个经济模型是这样建立起来的:在一定经济理论的背景下,根据样本数据,对经济现象众多的影响因素进行检验、比较、筛选,找出其中一种或若干种最重要的因素,用他们来构建模型(而把其他次要因素的作用效果纳入模型的误差项),然后用样本数据来估计模型的参数,最后再对估计结果进行经济意义检验和一系列统计检验。柯布-道格拉斯生产函数是通过以上程序建立的,因而是科学的。第二,影响产出量的要素有哪些?在供给不足的经济环境中,影响产出量的要素是:劳动、资本、技术等等;在需求不足的经济环境中,影响产出量的要素是:居民收入、人口、消费习惯等。第三,柯布-道格拉斯生产函数把技术条件假定为不变,这的确造成了模型与现实之间的距离。针对这一缺点,后来的学者对柯布-道格拉斯生产函数进行改进,把技术进步速度纳入了模型。第四,用样本数据估计了模型的参数之后,要检查所得的结果是否符合经济实际,接着还要进行一系列统计检验。第五,建立经济模型时要考虑所选变量数据的可得性。能够获得数据的变量才具有实际意义,才能成为模型中的变量。
这两篇文章所提出的问题以及二者之间的争论,引起了笔者的若干思考。
二、数理经济模型
人们在进行经济学研究和进行计量经济学研究时,必须要把数理经济模型和计量经济模型清楚地区分开。事实上,柯布-道格拉斯生产函数(以及作为该模型一般形式的索洛-斯旺经济增长模型)属于数理经济模型范畴。后来,柯布和道格拉斯用美国1899-1922年制造业的生产统计资料来估计模型的参数,这是把数理经济模型直接移作计量经济模型来使用(我们将要在后面谈到,这种做法存在着很大的风险),此时,柯布和道格拉斯所作的事情已不再是研究一个数理经济模型,而是在估计一个计量经济模型(此时,模型中加上了随机项,而数理经济模型是无所谓随机项的)。
数理经济学是运用数学方法对经济学理论进行陈述和研究的一个分支学科。数理经济学中的数学模型,是为了探索不能用数字表现的数量之间的关系和不能用代数表现的函数之间的关系,这种模型旨在通过数学逻辑推理来阐释经济现象之间的关系和演变趋势。这就是说,数理经济学是在理论的层面上运用数学语言来研究和表述经济理论,而不是在经验的层面上对经济现象在具体时间、地点、条件下的结局进行描述、估计或预测。
余、程的文章和程、陈的文章同样都把数理经济模型与计量经济模型混为一谈了。余、程文章的主旨是要批评一个数理经济模型(柯布-道格拉斯生产函数),程、陈文章的主旨则是要为这个数理经济模型辩护。但是,两篇论文的内容,其实却撇开了数理经济模型,说的都是计量经济模型的事情。例如,余、程的文章批评说,模型中遗漏了若干变量、没有把技术条件固定住。对于计量经济模型,这些批评是对的;对于数理经济模型,这些批评则是不对的。再如,程、陈的文章一开篇,便开宗明义地说,经济模型中会含有一个误差项(随机项),显然,作者这里所说的“经济模型”指的是计量经济模型而不是数理经济模型,因为,数理经济模型无所谓随机项,计量经济模型才考虑这个项。该论文接下来所说的收集样本数据、对模型进行估计和检验等等,也全都是建立计量经济模型时候的事情。
把数理经济模型与计量经济模型混为一谈的现象,在一些研究人员的成果中也常可见到。有的作者用索洛-斯旺经济增长模型的柯布-道格拉斯生产函数做计量经济分析时,把索洛-斯旺经济增长模型里假定为外生的那些变量作为计量经济分析中理所当然的假定前提,并相应地假定随机项的期望值为0。这些研究人员认为,由于现在使用的是索洛-斯旺模型而不是别的其它模型,就应该把索洛-斯旺模型的假定作为对现实生活的假定,认为这就是以经济学理论为根据。这些作者犯了用模型定义现实世界的错误。计量经济分析的目标是尽可能准确地描述现实世界。现实世界只有一个。现实世界是检验计量经济分析正确性的唯一标准。
现在我们来考察数理经济模型。
一个经济学原理,可以用文字阐述,可以用图形来直观地描述,也可以用数学语言(数学模型———数理经济模型)来表述。三者目标相同,都是为了阐释经济学原理(而不是模拟现实世界)。
为了使经济原理的阐释更易于理解,常常需要把现实世界加以简化(简化的世界当然已经不是真实的现实世界)。这是允许的。因为数理经济模型的目的并不是模拟真实的现实世界,而仅仅是为理解这个世界的特定特征提供见解。这种简 化现实世界的方法叫做抽象法。抽象法是科学研究中一种常用的方法。马克思在《资本论》中,为了阐述劳动创造价值的理论和剩余价值理论,舍象掉了生产商品的劳动的具体形态
而仅仅从量上考察抽象的人类劳动;舍象掉了商品的使用价值而仅仅考察商品的价值———生产商品的社会必要劳动时间。在自然科学里,抽象法的使用也比比皆是。例如,物理学在阐释一个力学原理时,常常会把摩擦力忽略不计。索洛-斯旺经济增长模型(以及作为它的具体形式的柯布-道格拉斯生产函数)同样使用了抽象法,把现实世界中一些本来对经济增长有影响的因素假定为不变。该模型假定,产出量Y对于资本K和有效劳动AL是规模报酬不变的,即:如果资本和有效劳动加倍,则产量加倍———这意味着,对新投入品的使用方式与对已有投入品的使用方式一样———这也就是假定,资本有机构成不变。
美国经济学家戴维·罗默更具体地指出了这个模型所应用的假定:只有一种产品;没有政府;就业的波动被忽略;储蓄率、折旧率、人口增长率和技术进步率均不变[3]。对现实世界所作的舍象越多,模型越容易理解,但是,模拟现实世界的能力越差。为了缩小数理经济模型与现实世界的距离,经济学家会把被舍象掉的东西逐步纳入模型,从而使得数理经济模型越来越深刻。索洛-斯旺经济增长模型假定储蓄率s不变,在这一假定下,t时刻的投资sY(t)是t时刻产出量的一个固定的比例,可是,在实际上,s是在家庭和厂商各自追求效用最大化的相互作用下对家庭的收入进行“消费”和“储蓄(即厂商的投资)”分配的权衡之后形成的,它不是固定的;索洛-斯旺经济增长模型假定人口增长率不变,可是,在实际上,人口增长率也不会固定不变。这种过度的舍象使得索洛-斯旺经济增长模型不能很好地解释经济增长。本论文由整理提供后来提出的拉姆齐-卡斯-库普曼斯模型,通过“产量减消费”来计算投资,其中的消费通过对家庭的效用函数在效用最大化的目标下求解得到,这样,就把储蓄率从外生不变转变成为内生变化;再后来,进一步把人口变动从外生转变成为内生,提出了有移民的经济增长模型(包括有移民的索洛-斯旺经济增长模型和有移民的拉姆齐-卡斯-库普曼斯模型)。在这里我们看到了数理经济模型从简单到复杂,对现实世界的解释能力从低到高的发展过程。顺便说一句:程、陈文章所谓在供给不足的经济环境中影响产出量的要素是劳动、资本和技术,在需求不足的经济环境中影响产出量的要素是居民收入、人口和消费习惯的说法显然是错误的———事实是,索洛-斯旺经济增长模型舍象掉了居民收入、人口和消费习惯等变量,后来一些进一步的模型把这些变量加了进来。
归根到底,数理经济模型的目的不是模拟现实世界,而只不过是解释现实世界的某种特征。事实上,我们已经拥有了一个完全现实的模型———这个世界本身。不幸的是,这个“模型”太复杂了,复杂得难以理解。从解释现实世界的某种特征这一目的出发,我们必须要对现实世界加以简化。上面所叙述的经济增长模型的简要发展过程告诉我们,在阐述科学理论的时候,对现实世界所作简化的合理性会有程度之分。在这里,“所探讨的问题”是判断合理性的根据。如果一个简化性的假定使得模型对所探讨的问题给出了不正确的答案,那么,这样的简化是不合理的;如果相反,所作的简化是合理的。尽管这时的模型仍然是“缺乏现实性”的,但是,此时的缺乏现实性应当被认为是模型的优点,因为,此时的模型十分清楚地把我们所关注的效应凸现出来(把这些效应与纷繁的现实世界隔离开来),使得问题更易于理解。所以无论如何,任何一个数理经济模型,都逃避不了要对现实世界做出若干简化性的假定。顺便提一下,在应用数学领域,人们有时会考虑经济问题的数学建模课题。此时,研究目标是,依据所构建的数学模型来求得我们所关心的数学解。例如,谭永基把索洛-斯旺模型的柯布-道格拉斯生产函数作为经济增长的数学模型,要求导出下面的解:在一定的总成本下,怎样分配投资和劳动可以使产量最大;或是,在一定的产量下,怎样分配投资和劳动可以使成本最省[4]。在这里,对于所推出的结果,研究人员应当负责任地说明,这些结果是在何种假定下推出来的;另外,这里所推导的结果究竟有多大的参考价值似乎值得怀疑,因为,柯布-道格拉斯生产函数所设定的“简化世界”距离现实太远了。
三、基于估计因果效应研究目标的
计量经济模型计量经济模型(本文只考虑回归模型形式的计量经济模型)的功用是:预测、控制、进行因果效应估计①(测算某一个自变量对因变量的影响效应)。在不同的功能要求下,对于模型的构造有不同的标准。本文要讨论的是基于估计因果效应这一目标,对计量经济模型所提出的要求。从原则上说,为了在变量的因果关系中确定各个变量的影响效应,所用的模型应当是现实世界本身。拿经济增长模型来说,假若我们有一个描述经济增长的现实世界的模型,那么,对于一个特定的时空,它就会确定地反映出该时空下每个原因变量对经济增长的影响效应。然而,这是不可能做到的。事实上,我们不可能把影响(决定)经济增长的全部因素无遗漏地列举出来,我们所建立的计量经济模型无法避免地要漏掉一些变量。由于无法控制被漏掉的变量的值,因而把某一时空下模型中各个变量的值输入以后所算出的该时空的经济增长数值与实际数字之间会有一个误差(它的大小事先不能确定,是一个随机项)。所以,计量经济模型一定会有一个随机项,它是计量经济模型对现实世界所作的模拟与真实的现实世界之间的差距。数理经济模型没有这样的项,因为,数理经济模型旨在设计一个简化的世界来解释某一个问题,而不是用来测算现实世界。那么,用于估计因果效应的计量经济模型应当满足何种要求呢?仍然拿经济增长模型来说。我们所建立的一个关于经济增长的计量经济模型,它的随机项里会包括被遗漏的影响经济增长的两种类型的因素:一类是对经济增长有举足轻重影响的因素,另一类是大量均匀小的偶然性的影响因素。假若把索洛-斯旺模型的柯布-道格拉斯生产函数当作计量经济模型使用,那么,被该函数假定为外生的储蓄率、折旧率、人口增长率、技术进步率等变量便属于随机项里面的第一类影响因素。除此以外,在这个模型的随机项里边,还包含有许多其它的对经济增长有举足轻重影响的因素。例如,美国经济学家斯蒂格利茨讲过,经济增长有四个重要的源泉:资本品积累(投资)的增加;劳动力质量提高;资源配置效率的改善;技术变革[5]。这里,所谓资源配置效率的改善,指的是把资源(例如劳动)从生产率低的部门(如传统农业)转移到高生产率的现代制造业。索洛-斯旺模型的柯布-道格拉斯生产函数假定只有一种产品,当然不会考虑资源在部门间转移的情况,换句话说,这个变量被放在了随机项之中。再如,索洛-斯旺模型的柯布-道格拉斯生产函数假定了一个封闭的经济,可是,现代经济都是开放经济。在一个封闭经济中,投资水平由国内储蓄水平决定,投资等于储蓄,没有更多的储蓄,投资便不能增加;相反,在一个开放经济中,这两者之间的关系是松散的,因为一个国家可以从国外借款来为其投资提供资金。于是,储蓄和投资之间的联系这个变量被放在了随机项之中。又如,政府的宏观经济政策、政府的公共支出无疑是经济增长的重要影响因素。可是,索洛-斯旺模型的柯布-道格拉斯生产函数假定没有政府。于是,这些变量也被放在了随机项之中。除了这三个变量之外,还可以举出更多。这就是说,当我们把索洛-斯旺模型的柯布-道格拉斯生产函数当作计量经济模型使用的时候,在模型的随机项里面,一方面包含有大量均匀小的偶然性影响因素,另一方面还包含有许多对经济增长有举足轻重影响的因素。其中的均匀小的偶然性影响因素,各自一方面与模型的结果变量(因变量)Y相关,另一方面与模型的解释变量(自变量)K以及AL独立;而其中的对经济增长有举足轻重影响的因素中,会有一些既与Y相关,又与K、AL或其中的某一个相关。对上述后一类变量,即遗漏在模型外边的(因而包含在随机项中的)既与因变量相关又与自变量相 关的变量,计量经济学给予特别的关注,专门把它们叫做遗漏变量。当使用计量经济模型测算因果效应的时候,如果存在遗漏变量,会得出错误的因果效应结论。人们熟知,做线性回归分析时,对模型的随机项有若干条假定,其中的一条是:随机项的期望值为0。当随机项期望值为0时,我们所得到的模型回归系数的最小平方估计量是无偏的,反之,估计量有偏。什么时候会发生随机项期望值不为0的情况呢?美国经济学家詹姆斯·H.斯托克和马克·W.沃特森[6]97-97,122-123指出,当模型外存在遗漏变量的时候会出现这种情况。所以,当模型外存在遗漏变量的时候,回归系数的最小平方估计量有偏,也就是说,在这种情形下我们所得到的计算结果并不是对总体的正确的估计。这就是计量经济分析中的遗漏变量效应。可见,用于估计因果效应的计量经济模型应当满足的要求是:模型外不存在遗漏变量,或者说,应当仔细地找出遗漏变量,尽可能把它们都纳入模型。对于一些无法观测的遗漏变量,计量经济学开发了处理它们的若干种办法,例如,面板数据回归,工具变量回归,设计准实验等[6]160-161,177-192,216-276。有的研究人员在建立了他所需要的模型以后,不考虑模型中随机项的期望值是否真的是0,而武断地声明,假定自己模型随机项的期望值为0。其实,在回归分析的教科书中阐述关于模型随机项的假定的时候,所用的“假定”一词的含义,并不是这个词通常的词义。“假定”一词通常的词义是指:我们对事物的状态所做的某种与真实状态相悖的设定,或者是当我们并不了解真实状态时所做的某种猜想性的设定。然而,回归分析中的“假定”一词却不是这个意思。回归分析教科书中所提出的模型随机项的假定,指的是正确地运行回归分析必须要满足的前提条件。
直接用数理经济模型来充当计量经济模型的风险在于:数理经济模型要对现实世界加以简化,也就是,要把因变量的某些重要的影响因素假定为不变,当我们把该模型充作计量经济模型使用时,只要这些被假定为不变的因素与模型内的自变量相关,它们就成为计量经济模型的遗漏变量,从而导致遗漏变量效应。
由遗漏变量效应所导致的回归系数最小平方估计量的偏差大小由随机项与模型中自变量之间相关程度的大小决定,相关程度越大,偏差就越大。因此,测算因果效应时,至少应当把与模型中自变量相关程度大的遗漏变量仔细地找出来,将其纳入模型。本论文由整理提供回到索洛-斯旺模型的柯布-道格拉斯生产函数上来:其实,它只不过是一个初级的生产函数模型,在经济学中十分明确地指出了这个模型对于解释经济增长的缺陷,因此在其后才陆续提出了若干进一步的模型。后来提出的模型与现实世界的距离较之索洛-斯旺模型要小。我们为什么不使用与现实世界距离小些的较为复杂的模型而偏要用假定性明显过大的索洛-斯旺模型呢?
有的研究人员用计量经济分析手段对数理经济模型进行“实证”。他们用样本数据估计了模型的回归系数,然后进行一系列的统计检验,如果统计检验被通过了,就认为数理经济模型获得了证实。事实上,当我们用计量经济分析方法去“实证”一个数理经济模型时,只能证伪,不能证实。为什么呢?无疑,所有的数理经济模型都是因果关系模型,那末,所谓实证,首先就是要证明因果关系成立。计量经济分析有能力完成“X与Y统计独立还是统计相依”的检验,然而,如黄芳铭指出的,要想把“X与Y统计相依”的论断引申为“X与Y具有因果关系”,必须要具备的前提条件是:“无关的影响变量必须被排除”[7]。
对于计量经济模型来说,这个要求意味着模型外没有遗漏变量(或模型随机项的期望值为0)。但是,计量经济研究中所使用的样本数据都是调查数据,在这种情况下,一个计量经济模型是否满足“模型外没有遗漏变量(或模型随机项的期望值为0)”的要求,在统计上是无法获得证明的。因此,当一个统计检验拒绝了“总体回归系数等于0”的零假设的时候,充其量只能说明该自变量与因变量统计相依,而始终无法说明二者之间具有因果关系。假若得到相反的检验结论———“总体回归系数等于0”的零假设无法被拒绝,那倒是可以说明把该自变量做为因变量的一个原因放入数量经济模型是错误的。
四、基于预测任务的计量经济模型
当计量经济模型的任务是用于预测的时候,我们所关心的不是估计的回归系数有没有因果解释能力,是不是无偏;此时我们所关心的是模型的预测能力,即:模型是不是能够生成可靠的预测值。有的时候,遗漏变量效应使得一个模型对于测算因果效应是无用的,但是它仍然可以用于预测[6]。怎样从统计上来评价一个模型的预测能力呢?直观地说,这可以用“预测误差”的大小来衡量。预测误差的大小可以用均方预测误差来描述,它是若干期的预测值与相应实际值的离差平方的平均值。将它与回归分析中熟知的均方残差对照,可以看出,后者也大致地提供了模型的预测误差的信息。另一方面,还可以考察在因变量样本数据的总变差平方和中,有多大的比例可以由回归来解释,这个比例越大,模型的预测能力便越强。显然,它就是判定系数R2。由于R2可以换算成F统计量,所以,也可以用F统计量来评价模型的预测能力(F统计量的值越大,模型的预测能力越强)。
柯布-道格拉斯生产函数是不是一个好的预测模型呢?这需要经过自变量选择的操作才能最后作结论。我们来考察一下两种常用的选择回归自变量的方法[8]:回归选元法和逐步回归法。回归选元的做法是:列出所有可能的自变量,再列出由它们所组成的所有的一元回归模型,所有的二元回归模型,等等,然后构造适当的统计量来设法找出其中使预测误差“接近最小”的模型(进一步缩小预测误差能够缩小的量与相应地需要增加模型的自变量所带来的难度相权衡,不值得再增加更多的自变量)。逐步回归的做法是:列出所有可能的自变量,再列出由它们所组成的所有的一元回归模型(每一个模型中的自变量称作该模型的初始自变量);计算每一个一元回归模型的F统计量,把其中F值最大的那个模型的初始自变量分别加到其他的一元模型中去,形成一个个二元模型;对每一个二元模型计算针对该模型初始自变量的偏F统计量,把其中偏F值最大的那个模型的初始自变量分别加到其他的二元模型中去,形成一个个三元模型;如此逐步进行下去。在这里,针对某一个自变量的偏F统计量的分子度量了把这个自变量加入模型后对于解释总变差平方和做出的贡献。
在逐步回归的操作中,事先规定偏F统计量的一个水平,当逐步回归进行到这样一个阶段时程序终止:在该阶段所算出的各个回归模型针对其初始自变量的各个偏F统计量中最大的那个值低于事先规定的偏F统计量水平,这表明,相应的那个自变量进入模型被认为对于提高预测能力是没有充分帮助的,所以逐步回归所选择的模型到上一个阶段为止,无必要继续为模型增加自变量了。通过考察回归选元法和逐步回归法我们看到,选择回归自变量时,不管用哪一种方法,都必须首先要把所有可能的自变量全部列出来,然后才谈得到设法选择预测能力优良而自变量又尽可能少的模型。可见,那种直接搬用数理经济学里面的某一个经济增长函数用来充当预测经济增长的回归模型的做法是不妥当的。在估计因果效应和预测这两种不同的任务下,对计量经济模型有不同的要求。上文指出了二者的一个重要差别:在估计因果效应时要强调回归系数的因果解释能力,所以特别关注并且要设法解决遗漏变量所导致的回归系数估计量的偏差;在预测时所关心的是模型的预测能力,在不影响模型预测能力的前提下,遗漏变量、回归系数估计量有偏,都是允许的。下面补充指出二者的另一个重要差别:在估计因果效应时强调,模型中的自变量必须真正是引起因变量变化的原因,也就是说,模型必须真正是因果关系模型;在预测时则允许模型中的自变量并不一定是因变量的原因,它只要是和因变量具有间接的因果关系因而表现为统计相依就可以了(于是,在进行自变量筛选起步时所列出的自变量,除了直接因果关系变量以外,还会有间接因果关系变量)。
五、简短的结论
数理经济模型为计量经济分析提供了理论框架,但是,不能直接简单地把数理经济模型当作计量经济模型使用;由于计量经济分析所使用的样本数据都是调查数据,在这种条件下,计量经济分析无法论证变量之间的因果关系,它所能够做的事情只能是,针对经济学中所论证的经济现象之间的因果关系来测算具体时间、地点、条件下具体的因果关系效应;本论文由整理提供当构造一个旨在测算因 果关系效应的计量经济模型时,应当力求做到模型外没有遗漏变量,因为,遗漏变量的存在会导致因果关系效应的测算发生错误;计量经济分析还具有预测的功能,当构造一个旨在完成预测任务的计量经济模型时,所关注的是模型的预测功能,此时,允许模型外存在遗漏变量,也允许模型中的自变量只是和因变量具有间接的因果关系而不具有直接的因果关系;构建预测模型时应首先把所有可能充当预测变量的自变量全部列出来,然后设法筛选出具有优良预测功能而所使用的预测变量又尽可能简约的模型。
参考文献:
[1]余斌,程立如.生产函数的统计学问题———与西方生产函数论商榷[C]//程恩富,顾海良.海派经济学(第三辑)[M].上海:上海财经大学出版社,2003:176-180.
[2]程细玉,陈进坤.再论生产函数的统计学问题———与余斌、程立如先生商榷[J].数理统计与管理,2006(4):407-413.[3]戴维·罗默.高级宏观经济学[M].苏剑,罗涛,译.北京:商务印书馆,1999:17-18.
[4]谭永基.经济管理数学模型案例选讲[M].北京:高等教育出版社,2006:20-25.
[5]斯蒂格利茨.经济学(下册)[M].姚开建,刘凤良,吴汉洪,等,译.北京:中国人民大学出版社,1997:293-315.
[6]斯托克H,沃特森·马克·W.经济计量学[M].王庆石,译.大连:东北财经大学出版社,2005:96-97,122-123.
