可识别的

可识别的 (Identifiable)

可识别的（Identifiable）是计量经济学与数理统计学中的一个核心概念，指从观测数据中能否唯一确定模型参数的真实值。在结构经济计量学中，可识别性（Identifiability）回答一个根本性问题：给定无限多的数据，我们能否从数据分布中反推出唯一的理论参数？若一个参数或方程是恰好可识别的（Exactly Identified），则存在唯一的估计量一致地恢复其真值；若过度可识别（Over-identified），则存在多重约束，可进行过度识别检验；若不可识别（Under-identified / Not Identified），则任何数据都无法区分不同的参数值，模型在该意义上无统计意义。

可识别性的直观含义

可识别性本质上关乎模型结构与观测分布之间的映射是否是一一对应的。设观测数据的联合分布为 $F_X$，结构模型由参数向量 $\theta \in \Theta$ 刻画，模型隐含的数据分布记为 $P_\theta$。若 $P_{\theta_1} = P_{\theta_2}$ 意味着 $\theta_1 = \theta_2$，则称 $\theta$ 是全局可识别的；若仅在一个邻域内成立，则称局部可识别。当不同参数值产生相同的观测分布时，无论样本多大，统计推断都无法区分它们——这是识别问题的本质。

一个经典例子是供需模型：仅观察价格和交易量的均衡数据，无法区分供给曲线的移动还是需求曲线的移动导致了数据变化。这就是著名的识别问题（Identification Problem），由Working（1927）首次明确阐述，后经Koopmans、Haavelmo等考尔斯委员会（Cowles Commission）经济学家系统发展。

联立方程模型中的识别条件

在联立方程系统中，可识别性是结构参数估计的前提。考虑线性联立方程：

其中 $Y$ 为内生变量矩阵，$X$ 为外生变量矩阵，$\Gamma$ 和 $B$ 为结构系数矩阵，$U$ 为结构误差。对于第 $i$ 个结构方程，识别需要排除约束（Exclusion Restrictions）：某些外生变量不出现在该方程中，从而提供识别该方程所需的工具变量。

具体而言，设第 $i$ 个方程包含 $g_i$ 个内生变量和 $k_i$ 个外生变量，系统中总外生变量数为 $K$。则有：

• 阶条件（Order Condition）：该方程排除的外生变量数不得少于其包含的内生变量数减一，即 $K - k_i \geq g_i - 1$。这是可识别性的必要条件。若等号成立则方程恰好可识别，若严格不等式成立则过度可识别，若不等式不成立则不可识别。
• 秩条件（Rank Condition）：对该方程排除的外生变量在系统其余方程的系数矩阵施以秩约束，要求该矩阵的秩等于系统中内生变量总数减一。秩条件是可识别性的充要条件，阶条件仅是其推论。

秩条件确保了被排除的工具变量与包含的内生变量之间存在充分的相关性，即工具变量的相关性条件（Relevance Condition）。若工具变量仅微弱相关，即便秩条件形式上满足，也会出现弱工具变量问题。

工具变量与识别策略

现代微观计量经济学将可识别性的逻辑推广至更为广泛的识别策略（Identification Strategy）。一个核心框架是工具变量（IV）方法。在如下线性模型中：

若存在工具变量 $z$ 满足 $\text{Cov}(z, x) \neq 0$（相关性）且 $\text{Cov}(z, \varepsilon) = 0$（外生性），则 $\beta$ 可由 Wald 估计量识别：

这就是所谓的矩条件识别：参数通过总体矩条件与数据分布相联系。

在非线性模型中，识别的表述更为微妙。考虑离散选择模型：二元 probit 模型的系数仅在被解释变量一方差归一化后方可识别（即系数与误差标准差之比可识别，但两者各自不可分离）。更一般地，非参数识别（Nonparametric Identification）探讨在不对函数形式做参数假设的条件下模型是否可识别，常见于处理效应文献中。

恰好可识别与过度可识别

在 GMM（广义矩方法）框架中，可识别性的不同状态直接影响估计与推断：

• 恰好可识别（Exactly Identified）：矩条件数量等于参数数量。GMM 退化为矩法估计（Method of Moments），存在唯一权重矩阵使矩条件恰好为零，无法进行过度识别检验。2SLS 在工具变量数等于内生变量数时即为恰好可识别。
• 过度可识别（Over-identified）：矩条件数量超过参数数量。此时并非所有矩条件能同时归零，GMM 通过最小化二次型找到妥协解。多出的矩条件允许进行过度识别约束检验（如Sargan检验或Hansen J检验），检验部分工具变量是否违背外生性假设。这是过度识别带来的额外诊断优势。
• 不可识别（Under-identified）：矩条件数量少于参数数量。参数可在一个流形内任意变动而不改变目标函数值，无任何一致估计量存在。此时需寻找额外的外生变异来源。

因果推断中的可识别性

在鲁宾因果模型（Rubin Causal Model）框架中，可识别性的核心挑战在于反事实缺失问题：对每个个体，只能观测到处理状态下的潜在结果 $Y_i(1)$ 或对照状态下的 $Y_i(0)$，但无法同时观测两者。平均处理效应（ATE）$\tau = \mathbb{E}[Y_i(1) - Y_i(0)]$ 的可识别性依赖于如下假设：

1. 条件独立假设（Unconfoundedness）：$(Y(0), Y(1)) \perp D \mid X$，即在控制可观测混杂因子 $X$ 后处理分配独立于潜在结果。
2. 共同支撑假设（Common Support / Overlap）：$0 < P(D=1 \mid X) < 1$，确保每个协变量层内均有处理组和对照组个体。

在这些假设下，ATE 可由观测数据的条件期望之差识别：$\tau = \mathbb{E}_X[\mathbb{E}[Y \mid D=1, X] - \mathbb{E}[Y \mid D=0, X]]$。

在断点回归（RDD）中，识别依赖处理概率在断点处的不连续性，而其他特征在断点两侧保持连续。在双重差分（DiD）中，识别依赖平行趋势假设：若无处理，处理组与对照组的结果将按相同趋势演化。每一种识别策略都对应特定的可识别性假设，这些假设通常不可直接检验，需通过安慰剂检验、证伪检验等间接手段加强可信度。

统计中的可识别性

在纯统计语境中，可识别性同样是模型选择的基础。有限混合模型中，若分量分布的参数和混合权重不能被唯一确定（即存在标签置换不变性以外的多重表示），则模型不可识别，EM 算法可能收敛到无意义的解。因子分析中，因子载荷矩阵在正交旋转下等价，需施加约束实现可识别。项目反应理论（IRT）中的三参数 Logistic 模型需对能力参数的尺度和位置做标准化处理。这些例子说明可识别性不仅是一个计量经济学概念，更是贯穿整个统计建模领域的根本约束。

局部识别与集合识别

当全局可识别性不满足时，研究者可能转向更弱的概念。局部识别（Local Identification）要求仅在参数空间的某个邻域内可区分，利用Fisher信息矩阵的非奇异性来检验。集合识别（Set Identification / Partial Identification）由Manski、Imbens等学者推动，当参数无法点识别时，仍可利用数据与假设获得参数的识别界（Identified Set）或识别区间，将结论表述为参数属于某一集合而非单点。这在存在非响应、截断或非随机缺失数据的场景中尤为重要。集合识别代表了一种方法论上的谦逊：承认数据的局限，但仍提取可用的信息。