识别限制

识别限制 (Identification Restrictions)

识别限制（Identification Restrictions）是计量经济学中联立方程模型和结构估计领域的核心概念，指为了使模型的结构参数能够从约简型参数中唯一确定而必须施加的先验约束条件。若不加识别限制，数据中可观测的统计信息通常不足以唯一恢复研究者关心的结构性经济关系，此时模型被称为欠识别（under-identified）或不可识别（unidentified）。

识别问题的数学表述

设结构模型为 $B y_t + \Gamma x_t = \varepsilon_t$，其中 $y_t$ 为内生变量向量，$x_t$ 为外生变量向量，$\varepsilon_t$ 为结构冲击。约简型为 $y_t = -B^{-1}\Gamma x_t + B^{-1}\varepsilon_t = \Pi x_t + v_t$。给定数据仅能一致估计约简型系数 $\Pi$ 和约简型残差的协方差矩阵 $\Sigma_v$。

识别问题的核心为：能否从 $\Pi$ 和 $\Sigma_v$ 中唯一恢复所有结构参数 $(B, \Gamma)$？一般不能，因为对任意非奇异矩阵 $F$，变换后的结构 $(FB, F\Gamma)$ 产生相同的约简型。因此必须施加先验约束以排除这种观测等价性（observational equivalence）。

阶条件与秩条件

对线性联立方程系统，识别限制的两大经典判据为：

阶条件（Order Condition）为识别的必要非充分条件。第 $i$ 个方程可识别的要求为：从该方程中排除的先决变量（外生变量与滞后内生变量）数目至少等于该方程包含的内生变量数目减一，即 $K - k_i \ge g_i - 1$，其中 $K$ 为系统中先决变量总数，$k_i$ 为第 $i$ 个方程包含的先决变量数，$g_i$ 为第 $i$ 个方程包含的内生变量数。若等式成立则方程恰好识别（exactly identified），若严格不等式成立则过度识别（over-identified）。

秩条件（Rank Condition）为识别的充要条件。第 $i$ 个方程可识别当且仅当：用该方程排除的先决变量去替代该方程包含的方程中对应系数而形成的矩阵，其秩等于系统中内生变量总数减一。秩条件确保不存在其他方程的线性组合能产生与第 $i$ 个方程相同的变量配置。

非线性模型与广义方法

在现代计量经济学中，识别限制已从线性系统扩展到更一般的设定。对非线性矩条件模型 $E[g(y, x; \theta)] = 0$，广义矩方法（GMM）中的识别要求矩条件数目不少于参数个数，且期望函数的梯度矩阵满列秩。若矩条件多于参数，模型过度识别，可通过Hansen的J检验评估过度识别限制的有效性。

在结构向量自回归（SVAR）中，识别限制通常以对同期影响矩阵的约束形式施加：短期零限制（如Blanchard-Quah将需求冲击的长期效应设为零）、符号限制（sign restrictions）或基于外部工具的识别。在需求估计的BLP模型中，识别依赖工具变量提供的外生变异以分离需求弹性与供给行为。识别限制是结构计量经济学从相关性推断因果性的逻辑前提。

实证应用与前沿

识别限制的选择在实证研究中至关重要。过度识别限制提供了检验模型设定正确性的途径，恰好识别下模型与数据完美拟合而无检验自由度。研究者往往争取过度识别的设定以建立可证伪的理论约束。

近年来，局部识别（partial identification）与集合识别（set identification）框架放松了点识别的严格要求，允许在较弱限制下得出参数的集合估计而非点估计，显著扩展了识别分析的应用范围，尤其在处理效应和非参数模型中。识别限制的理论演进深刻影响了因果推断和政策评估的实践范式。