KNOWECON WIKI

ARTICLE

联立方程组

联立方程组 (Simultaneous Equations Models) 联立方程组模型（Simultaneous Equations Models, SEM）是计量处理经济变量间双向因果（simultaneity）关系的核心框架。当多个内生变量通过若干方程相互决定时，单个方程的OLS估计将因内生性而产生偏误，即所谓的联立性偏误（simultaneity

浏览 0 更新 2026-05-26

联立方程组 (Simultaneous Equations Models)

联立方程组模型（Simultaneous Equations Models, SEM）是计量处理经济变量间双向因果（simultaneity）关系的核心框架。当多个内生变量通过若干方程相互决定时，单个方程的OLS估计将因内生性而产生偏误，即所谓的联立性偏误（simultaneity bias）。SEM通过将内生变量与外生变量（工具）纳入系统的结构形式与简约形式，实现一致的参数估计。

结构形式与简约形式

设GG个内生变量y1,…,yGy_1,\ldots,y_G与KK个前定变量x1,…,xKx_1,\ldots,x_K（含截距项）。第ii个结构方程可写为：

yi=Yiβi+Xiγi+εiy_i = Y_i\beta_i + X_i\gamma_i + \varepsilon_i

其中YiY_i为方程ii中出现的内生解释变量，XiX_i为前定变量。整个系统可紧凑表示为：

YΓ+XB=EY\Gamma + XB = E

其中YY为N×GN\times G内生变量矩阵，XX为N×KN\times K外生变量矩阵，Γ\Gamma（G×GG\times G可逆）与BB（K×GK\times G）为结构系数。简约形式（reduced form）为：

Y=XΠ+V,Π=−BΓ−1,  V=EΓ−1Y = X\Pi + V,\quad \Pi = -B\Gamma^{-1},\; V = E\Gamma^{-1}

该形式将每个内生变量仅表达为前定变量与扰动项的函数，可用于推导冲击乘数（impact multipliers）并检验识别约束。

识别问题

识别是SEM的核心：能否从简约形式参数Π\Pi唯一反推出结构参数Γ,B\Gamma, B？经典条件包括：

  • 阶条件（order condition）：每个方程排除的外生变量数≥\ge右侧内生变量数——必要非充分。
  • 秩条件（rank condition）：被排除变量在其余方程中的系数矩阵满秩——充要条件。

若方程恰好可识别（恰好识），可用间接最小二乘法（Indirect Least Squares, ILS）；过识别情况下需用两阶段最小二乘法（2SLS）或工具变量（IV）估计。

估计方法

两阶段最小二乘（2SLS）是最常用单方程估计法：阶段一将每个内生解释变量对所有外生变量回归得到拟合值Y^i\hat{Y}_i；阶段二用Y^i\hat{Y}_i与XiX_i进行OLS回归。该方法一致且渐近有效，在恰好识别时等价于ILS。当方程间扰动项相关时，三阶段最小二乘（3SLS）利用系统GLS同时估计所有方程，比2SLS更有效，但若某一方程设定有误则偏误会传染至整个系统。有限信息最大似然法（LIML）在弱工具变量下比2SLS更稳健，常用于微观计量实证。

经典的联立方程组实例

最典型的联立系统是供求均衡模型：

\begin{align} \(\text{需求:}\)\quad \& \(Q_t\) = \(\alpha_0\) + \(\alpha_1\) \(P_t\) + \(\alpha_2\) \(I_t\) + \(u_{1t}\) \\ \(\text{供给:}\)\quad \& \(Q_t\) = \(\beta_0\) + \(\beta_1\) \(P_t\) + \(\beta_2\) \(W_t\) + \(u_{2t}\) \end{align}

PtP_t与QtQ_t同时由供求决定并同为内生；ItI_t（收入）与WtW_t（工资）为外生工具变量。阶条件要求每个方程至少排除一个外生变量。更复杂的宏观系统包括IS-LM模型、Klein的宏观计量模型等。

联立方程组与现代计量

尽管20世纪中后期联立方程组曾是宏观计量的核心工具，1990年代以来因Lucas批判、VAR方法兴起（见向量自回归）、以及微观计量对处理选择偏误与内生性的新方法（差分之差、断点回归等）的普及，大型联立系统使用减少。然而，其识别逻辑——以排除约束作为因果推断依据——深刻影响了现代结构估计方法。在DSGE模型校准、市场均衡模拟等场景中，联立方程组思想依然是不可替代的基础框架。