参数模型

参数模型 (Parametric Model)

参数模型（Parametric Model）是指用有限维参数向量 $\boldsymbol{\theta} \in \Theta \subseteq \mathbb{R}^k$ 完全描述其数据生成过程的统计或计量经济学模型。其中 $k$ 是固定的有限正整数，不随样本量 $n$ 增长而变化。参数模型的核心特征在于：一旦估计出这 $k$ 个参数，模型的全部概率结构便完全确定——无论是条件期望、方差函数还是完整分布，均可由这组参数唯一推导。这一设定构成了经典计量经济学推断的理论基石。

形式化定义

设观测数据为 $\{Y_i, X_i\}_{i=1}^n$，参数模型假定存在参数向量 $\boldsymbol{\theta}_0 \in \Theta$ 使得：

• 条件期望模型：$E[Y_i \mid X_i] = m(X_i; \boldsymbol{\theta})$，其中函数形式 $m(\cdot)$ 已知，仅 $\boldsymbol{\theta}$ 待估。线性回归 $m(X_i; \boldsymbol{\theta}) = X_i^\top \boldsymbol{\beta}$ 是典型代表。
• 条件分布模型：$Y_i \mid X_i \sim f(\cdot \mid X_i; \boldsymbol{\theta})$，其中密度 $f$ 的函数形式（正态、泊松、Logistic 等）完全已知，$\boldsymbol{\theta}$ 包含位置、尺度及可能的形状参数。
• 联合分布模型：$(Y_i, X_i) \stackrel{\text{i.i.d.}}{\sim} F(\cdot; \boldsymbol{\theta})$，即数据和协变量的联合分布也被参数化。

参数空间 $\Theta$ 通常为 $\mathbb{R}^k$ 或其紧致子集。模型的维数 $k$ 被视作固定常数——这是区分参数与非参数方法的分水岭。当 $k$ 随 $n$ 发散（如 $k = O(n^{\alpha})$），便进入高维统计或非参数领域。

经典参数模型体系

经济学与计量经济学中，以下参数模型构成实证研究的主力工具：

1. 线性回归模型 (Linear Regression)：$Y_i = X_i^\top \boldsymbol{\beta} + \varepsilon_i$，$\varepsilon_i \sim N(0, \sigma^2)$。参数向量 $\boldsymbol{\theta} = (\boldsymbol{\beta}^\top, \sigma^2)^\top$，维度 $k = \dim(\boldsymbol{\beta}) + 1$。在高斯-马尔可夫假定下，OLS 估计量 $\hat{\boldsymbol{\beta}}$ 是最佳线性无偏估计量 (BLUE)。
2. 二元选择模型 (Binary Choice)：Probit 模型假定 $P(Y_i = 1 \mid X_i) = \Phi(X_i^\top \boldsymbol{\beta})$，其中 $\Phi(\cdot)$ 为标准正态 CDF；Logit 模型则使用 Logistic 函数 $\Lambda(z) = e^z / (1 + e^z)$。两者均由有限维 $\boldsymbol{\beta}$ 完全参数化。
3. 时间序列模型：ARMA($p, q$) 模型 $Y_t = \sum_{j=1}^p \phi_j Y_{t-j} + \sum_{l=1}^q \psi_l \varepsilon_{t-l} + \varepsilon_t$ 的参数向量 $\boldsymbol{\theta} = (\phi_1, \ldots, \phi_p, \psi_1, \ldots, \psi_q, \sigma^2_\varepsilon)^\top$ 维度为 $p+q+1$，完全刻画了平稳过程的线性动态结构。扩展到ARCH 和 GARCH 族模型，其波动率的参数化设定同样属于参数框架。
4. 面板数据模型：固定效应模型 $Y_{it} = \alpha_i + X_{it}^\top \boldsymbol{\beta} + \varepsilon_{it}$ 和随机效应模型将个体异质性参数化——前者将 $\alpha_i$ 视作待估参数（$k$ 随 $N$ 增长，属边际参数化），后者将其嵌入分布假设 $\alpha_i \sim N(0, \sigma_\alpha^2)$，维持低维结构。
5. 结构计量模型 (Structural Models)：基于经济理论的一阶条件或贝尔曼方程导出参数化映射。例如，离散选择动态规划模型中，效用函数参数 $\boldsymbol{\theta}$ 通过价值函数的收缩映射决定选择概率，再利用嵌套不动点算法(NFXP) 进行最大似然估计。

估计方法论

参数模型的估计理论围绕费希尔信息和似然原理展开。三种主导方法构成了现代计量经济学推断的支柱：

1. 最大似然估计 (MLE)：$\hat{\boldsymbol{\theta}}_{\text{MLE}} = \arg\max_{\boldsymbol{\theta} \in \Theta} \sum_{i=1}^n \log f(Y_i \mid X_i; \boldsymbol{\theta})$。在正则条件下，MLE 具有一致性、渐近正态性和渐近有效性——即其渐近方差达到克拉美-拉奥下界。$\sqrt{n}(\hat{\boldsymbol{\theta}}_{\text{MLE}} - \boldsymbol{\theta}_0) \xrightarrow{d} N(0, \mathcal{I}(\boldsymbol{\theta}_0)^{-1})$，其中 $\mathcal{I}(\boldsymbol{\theta}_0)$ 为费希尔信息矩阵。
2. 广义矩估计 (GMM)：基于矩条件 $E[g(Z_i; \boldsymbol{\theta}_0)] = 0$，GMM 最小化二次型 $\hat{\boldsymbol{\theta}}_{\text{GMM}} = \arg\min_{\boldsymbol{\theta}} \bar{g}_n(\boldsymbol{\theta})^\top W_n \bar{g}_n(\boldsymbol{\theta})$，其中 $\bar{g}_n(\boldsymbol{\theta}) = n^{-1} \sum_{i=1}^n g(Z_i; \boldsymbol{\theta})$。Hansen (1982) 建立了 GMM 的大样本理论，最优权重矩阵 $W_n = \text{Var}(g(Z_i; \boldsymbol{\theta}_0))^{-1}$ 给出有效 GMM 估计。
3. 贝叶斯方法：将 $\boldsymbol{\theta}$ 视作随机变量，利用先验分布 $\pi(\boldsymbol{\theta})$ 和似然 $f(\text{Data} \mid \boldsymbol{\theta})$ 通过贝叶斯定理得到后验 $\pi(\boldsymbol{\theta} \mid \text{Data}) \propto \pi(\boldsymbol{\theta}) \cdot f(\text{Data} \mid \boldsymbol{\theta})$。在参数模型中，当样本量较小时，合理先验的选择至关重要；$n \to \infty$ 时，伯恩斯坦-冯·米塞斯定理保证后验收敛至以 MLE 为中心的渐近正态分布。
4. 最小二乘法与 GLS：在线性模型中，OLS 的特殊地位来自投影定理——$\hat{\boldsymbol{\beta}}$ 是 $Y$ 在列空间 $\text{col}(X)$ 上的正交投影。异方差或自相关情形下，广义最小二乘 (GLS) 通过加权矩阵 $\Omega^{-1}$ 恢复有效性。

参数模型的根本权衡

参数模型的优劣由偏差-方差权衡（Bias-Variance Tradeoff）所支配：

• 优势：当参数假设成立时，参数估计量以 $\sqrt{n}$ 速率收敛——这是统计估计的理论最优速度。置信区间和假设检验（Wald 检验、似然比检验、拉格朗日乘数检验）均可基于有限维渐近分布精确构造。小样本下，参数模型的推断精度远高于非参数替代方案，且解释性清晰——每个参数具有明确的经济含义（弹性、边际效应、半弹性）。
• 劣势：模型误设风险（model misspecification risk）是参数框架的阿喀琉斯之踵。若真实的 $m(X_i)$ 不在参数族 $\{m(\cdot; \boldsymbol{\theta}) : \boldsymbol{\theta} \in \Theta\}$ 内，则 $\hat{\boldsymbol{\theta}}$ 收敛至伪真值（pseudo-true value）$\boldsymbol{\theta}^* = \arg\min_{\boldsymbol{\theta}} KL(f_0 \| f_{\boldsymbol{\theta}})$，且推断可能严重失准。White 的稳健标准误仅修正方差估计的一致性问题，无法治愈点估计的不一致性。

模型选择与诊断

参数模型的设定检验构成实证研究的关键步骤：

1. 嵌套检验：似然比统计量 $LR = 2(\log L_{\text{unrestricted}} - \log L_{\text{restricted}}) \xrightarrow{d} \chi^2_q$，其中 $q$ 为约束个数。Wald 检验和拉格朗日乘数检验提供渐近等价的一阶近似。
2. 非嵌套检验：Davidson-MacKinnon J 检验和Vuong 检验分别处理回归模型和非线性模型的非嵌套比较。基本思路为检验某个模型是否包含另一模型无法捕捉的系统信息。
3. 信息准则：AIC（赤池信息准则，$\text{AIC} = -2\log L + 2k$）和 BIC（贝叶斯信息准则，$\text{BIC} = -2\log L + k\log n$）在拟合优度与模型复杂度间做显式权衡。BIC 对过参数化惩罚更重，在大样本下具备模型选择一致性；AIC 旨在最小化预测误差，倾向于更复杂模型。
4. 残差诊断：图示方法（Q-Q 图、残差-拟合值散点图）和正式检验（Jarque-Bera 正态性检验、Breusch-Pagan 异方差检验、Durbin-Watson 自相关检验）组成多层次的模型验证体系。需要注意的是，诊断检验本身也有功效和水平问题，多重检验的累积第一类错误需谨慎控制。

与非参数和半参数方法的比较

参数模型位于方法论谱系的一端，其对立面为非参数模型（完全不设定函数形式）和半参数模型（部分参数化）：

1. 非参数模型：如核密度估计 $\hat{f}(x) = (nh)^{-1} \sum_{i=1}^n K((x - X_i)/h)$，其"参数"数量本质上是样本量 $n$——带宽 $h$ 的选择决定了有效自由度。收敛速度为 $O(n^{-2/5})$（一维核回归），慢于参数模型的 $O(n^{-1/2})$，且遭遇维度灾难——多维下收敛速度以 $n^{-2/(4+d)}$ 的速率急剧下降。
2. 半参数模型：结合参数和非参数组件。部分线性模型 $Y_i = X_i^\top \boldsymbol{\beta} + g(Z_i) + \varepsilon_i$ 中，$\boldsymbol{\beta}$ 以 $\sqrt{n}$ 速率收敛，而未知函数 $g(\cdot)$ 以非参数速率收敛。Robinson 差分估计量利用条件期望的迭代消除非参数部分的影响，使 $\boldsymbol{\beta}$ 的参数估计达到根-n 一致性。另如Cox 比例风险模型，基准风险函数 $h_0(t)$ 完全非参数化，而协变量效应以参数形式 $\exp(X_i^\top \boldsymbol{\beta})$ 进入。
3. 自适应与机器学习前沿：LASSO（$L_1$ 惩罚）、弹性网、随机森林 和梯度提升等方法模糊了传统分类——它们包含大量参数但在估计中施加正则化或结构约束。双重机器学习（Double/Debiased Machine Learning, DML）通过Neyman 正交矩和交叉拟合，使高维机器学习模型在参数目标量（如平均处理效应）的 $\sqrt{n}$ 一致推断中担当辅助角色。

当代议题与反思

参数模型在现代计量经济学中面临两个方向的张力。一方面是复制危机引发的对 $p$ 值和假设检验体系的普遍反思——参数模型框架下的统计显著性与经济显著性的背离、$p$-hacking 和出版偏倚侵蚀了推断的可信度。另一方面，大数据的兴起使得非参数机器学习方法在预测任务上表现出色，但经济学中的核心任务——因果推断和反事实分析——仍然严重依赖结构参数模型的可解释性和理论内嵌性。计量经济学可信性革命（Credibility Revolution）强调研究设计（工具变量、断点回归、双重差分、合成控制）优于统计模型的形式灵活性，这一趋势并未淘汰参数模型，而是将其重新定位为在透明识别策略框架下的核心推断工具。参数模型的未来不在于参数数量的增长，而在于与稳健推断、识别策略和经济理论之间更深刻的融合。