识别

识别 (Identification)

在计量经济学和统计学中，识别 (Identification) 是一个基础概念，关注的核心问题是：能否从可观测数据中唯一地推断出模型中未知参数的真实值。如果参数可识别，意味着理论上拥有足够多的数据就能确定其真值；反之，无论数据量多大都无法确定。识别是关于模型设定和理论可能性的问题，先于任何估计过程。

识别问题的直观例子

经典的供求模型可帮助理解。假设需求方程 $Q^d = \alpha_0 + \alpha_1 P + u_d$，供给方程 $Q^s = \beta_0 + \beta_1 P + u_s$，市场出清 $Q^d = Q^s = Q$。我们只能观测到均衡点 $(Q, P)$，但两个方程形式相同——观测点同时满足两式，无法区分。多种不同的参数值可生成完全相同的数据模式，这种现象称为观测等价性 (Observational Equivalence)。因此，模型中参数是不可识别的。

实现识别的条件

引入额外信息（约束）可解决识别问题。在联立方程模型中，常用剔除约束 (exclusion restrictions)。

阶条件 (Order Condition)（必要）：设系统有 $K$ 个外生变量、$M$ 个内生变量。方程 $i$ 包含 $K_i$ 个外生变量和 $M_i$ 个内生变量，阶条件要求 $K - K_i \ge M_i - 1$，即被排除的外生变量数不少于右侧内生变量数。

秩条件 (Rank Condition)（充分必要）：被方程排除的变量在其他方程中的系数矩阵的秩必须等于 $M-1$，确保这些"工具"有效且非冗余。

识别的三种状态

根据阶条件和秩条件，方程识别状态分为三类：

1. 不可识别 (Unidentified/Underidentified)：阶条件不满足 ($K - K_i < M_i - 1$)，无法得到参数的一致估计，估计结果无意义。
2. 恰好识别 (Exactly Identified)：阶条件等式成立 ($K - K_i = M_i - 1$) 且秩条件满足，参数有唯一解，可用间接最小二乘法 (ILS) 或两阶段最小二乘法 (2SLS) 估计。
3. 过度识别 (Overidentified)：阶条件严格不等式成立 ($K - K_i > M_i - 1$) 且秩条件满足，工具变量数量超过所需最小值。可用2SLS估计，并可进行Sargan-Hansen检验验证模型设定的有效性。

供求模型再考察

回到供求模型。假设消费者收入 $I$ 影响需求但不影响供给：需求方程 $Q = \alpha_0 + \alpha_1 P + \alpha_2 I + u_d$，供给方程 $Q = \beta_0 + \beta_1 P + u_s$。系统中 $Q, P$ 为内生变量，$I$ 为外生变量。

供给方程排除 $I$（$K-K_i=1$，$M_i-1=1$），阶条件满足，且 $\alpha_2 \ne 0$ 时秩条件满足，因此供给方程恰好识别——收入变动使需求曲线移动，在稳定供给曲线上滑动描绘出其形状。而需求方程包含全部外生变量（$K-K_i=0$），阶条件不满足，不可识别。若要识别需求方程，需引入影响供给但不影响需求的外生变量（如工资 $W$），使两方程均成为恰好识别。

广义视角

识别概念超越联立方程模型，是因果推断 (Causal Inference) 的核心。工具变量法 (IV)、断点回归 (RDD)、双重差分法 (DID) 等现代计量方法本质都是精巧的识别策略 (Identification Strategy)——寻找外生性变动以克服内生性问题，从而识别因果效应。识别迫使研究者在接触数据前深入思考模型的内在逻辑，明确"我们究竟能从数据中学到什么"。它是连接经济理论与经验证据的桥梁。