结构估计经常让新人感到恐惧。一会是 OLS，一会是 MLE，一会是 GMM，一会又是 Indirect Inference。其实，这背后的逻辑非常简单。

结构模型参数估计与识别：小白实战攻略

想象你是一个侦探，你要还原案件真相（模型参数），你手头有不同的证据（数据）。

• 有的证据直接写在脸上（比如指纹），直接读就行（直接估计）。
• 有的证据是间接的（比如作案动机），你需要通过行为反推（结构估计）。

这份攻略将教你如何像侦探一样思考。

第一阶段：给参数“分成分” (Parameter Taxonomy)

拿到一个模型，面对几十个希腊字母，不要慌。先把它们分成两类。这是选择估计方法的第一步。

如何判断一个参数是"结构参数"还是"非结构参数"？

黄金法则：问自己"改变这个参数，代理人的决策规则是否改变？"

• 改变 → 结构参数（深层偏好）
• 不改变 → 非结构参数（技术系数或模型便宜）

例子：

• $\sigma$（风险厌恶）→ 改变 → 储蓄决策改变 → 结构
• $\alpha_0^j$（选项固定效用）→ 改变 → 选择概率改变 → 结构
• VAR 回归系数 → 改变 → 脉冲响应改变，但不改变 DSGE 代理人决策 → 非结构

第 1 类：物理、技术与制度参数 (The “Hard” Parameters)

这类参数通常描述的是客观约束、生理规律或市场技术。它们不涉及人的主观选择（或者我们假设在控制了异质性后，它们是外生的）。

• 特征： 如果你是上帝，你可以直接在数据里看到它们，或者通过简单的统计看到它们。
• 典型例子：
  • 生产函数/工资方程 ($\beta$)： 投入多少资本产出多少产品，或者读多少书拿多少工资。
  • 生理/物理法则 ($\eta$)： 压力大是否伤身体？年龄大是否更容易生病？
  • 外生冲击 ($d$)： 某种不可抗力（如工厂倒闭、甚至死亡）发生的概率。
  • 制度参数： 税率、利息（通常直接查文献或法条）。
• Tips： 能直接算，绝不模拟！

第 2 类：偏好与摩擦参数 (The “Soft” / “Deep” Parameters)

这类参数描述的是人的内心世界或市场的隐形障碍。它们看不见摸不着，只能通过人的行为后果来反推。

• 特征： 数据里没有直接记录它们。你只能看到“结果”（Outcome），看不到“动因”（Driver）。
• 典型例子：
  • 效用/痛苦成本 ($\kappa$)： 工作有多累？失业有多爽？（没人会把这个写在脸上）。
  • 搜寻摩擦 ($\lambda$)： 找工作有多难？（数据里只有“找到工作”的时间，没有“尝试找工作”的次数）。
  • 折扣因子 ($\rho$)： 人有多不耐烦？（涉及到人的耐心时才需要估计，如果仅仅是贴现，那用经验数据即可。）
• 攻略： 必须结构估计 (MLE / GMM / CCP / SMM)。详见 方法比较 | 如何选择。

第二阶段：选择兵器——估计方法决策树 (Method Decision Tree)

面对具体的参数，按以下流程图提问，直到找到答案：

Q1: 这个变量可以直接观测吗？

• YES (例如：此人是否被裁员？此人工资是多少？)
  • $\rightarrow$ 直接统计 / OLS

Q2: 如果不可观测，控制了异质性后，它是一个简单的概率过程吗？

• YES (例如：健康演变 $h_{t+1} | h_t, x$)
  • $\rightarrow$ 最大似然估计 (MLE) （永远的第一选择）
  • 逻辑：只要写得出似然函数 $L(\theta) = \Pi \ P(Data|\theta)$，且计算不复杂，MLE 是最有效的。
  • 原则：也就是说，只要你的数据和模型够干净，能直接推导出观测数据发生的概率密度函数 $f(Data|\theta)$，且状态空间没有大到你的电脑配置承受不了的地步，就一定优先选择 MLE 这个大杀器，因为它是统计效率最高且最准确的。
  • 场景 （模型选择）：
    • 离散选择模型：Logit/Probit 及其变体。
    • 动态规划模型：通过嵌套不动点算法 (NFXP) 快速求解动态规划模型（如 Rust, 1987）。
  • 例子：J&P(2025) 中，控制 $x$ 后，用 Ordered Logit 估计健康转移。

Q3: 似然函数写不出来，或者太复杂怎么办？

• 场景：数据缺失（看不到被拒绝的 Offer）、多重积分（连续状态空间）、模型是非线性的。
• 当我写不出整个分布函数，但我知道理论上某些变量的期望应该是多少（能找到明确的矩条件，后文会教你如何寻找矩条件）时，首先考虑 GMM。
• 最典型的例子就是欧拉方程估计。不用解出整个价值函数，只要满足边际条件即可。
• 而且对假设不敏感，不需要向 MLE 那样严格要求误差项的分布
• 还比 MLE 快，对于计算量大的数据更友好，不吃配置
• 但是样本有限时，精度不太行，毕竟是矩估计，很依赖大数定律

Q4: 矩也写不出来怎么办 or 矩函数没有解析解？

• 没有明确形式和解析解，那就只能暴力模拟了，别无他法。
• 或者数据太差，有缺失，或者参数本身在现实中就是不可能找到数据的（如 J&P 2025 中看不到被拒绝的 Offer）。
• 思路：只要我的模型生成的“假数据”和“真数据”长得像，参数就是对的。
• $\rightarrow$ 基于模拟的方法
  • SMM (Simulated Method of Moments): 匹配均值、方差、相关系数。
    • 适用： 关注数据的一阶、二阶矩特征。
  • Indirect Inference (间接推断): 匹配辅助回归模型的系数。
    • 适用： 关注变量之间的动态关系或条件相关性（例如：工资随年龄增长的斜率）。
    • 例子： J&P(2025) 中，模拟工人职业生涯，匹配跳槽率和失业持续时间。
  • 优点： 只要你能写代码模拟，什么模型都能估。
  • 缺点： 计算量大，参数标准误较难计算。

Q5: 我实在不会构造似然函数，也不会设计“矩”，有没有弯道超车、曲线救国的办法？

有的，兄弟，有的！

只要你的数据足够好，足够大，就可以反其道而行之。详见 CCP 方法。

采用逆向思维。既然“价值决定选择”，那么“观测到的选择概率”就包含了“价值”的信息。利用数据中观测到的 CCP（比如某状态下的辞职率），直接反推价值函数的差值，从而跳过其它步骤。

所以，理论上只要你能通过第一步非参估计（数数），算出每个状态下的转移概率，并且你的数据可以怼上这些概率，就可以用这个方法。

Brilliant!

• 又快又好
• 但吃数据

Step-by-Step

所以，当你建好模型和获得数据以后，先要问自己一些问题：

1. 能不能写出你的电脑配置能算出来的似然函数（MLE）
2. 不能就想办法推导出清晰的欧拉方程或解析矩（GMM）
3. 倘若还不能，而且你的模型很烂，有大量的非线性和断点，或者需要做大量搜寻工作来坍缩不可观测的状态（如失业搜寻模型），那就只能模拟了（SMM / Indirect Inference）
（J&P 2025 选择了 SMM，正是因为加入了搜寻摩擦和不可观测的状态，使得 MLE 和 CCP 都难以直接实施。）
4. 如果你的数据特别好，特别大（比如 N>100,000），那就可以考虑 CCP 方法，直接从数据里学价值函数。

前方高能

识别的艺术——如何找“矩” (The Art of Identification)

其实大多数情况，我们获得的数据不好也不差，模型还凑合，都能使用矩估计，但这也是最容易卡住的地方：“我怎么知道哪个数据矩能识别哪个参数？”

我先问大家一个问题，什么是矩？估计很多人答不上来吧……

矩 ── 就是一个应该等于零的数学式子。

因为这个式子的零点恰好出现在"真实参数"处，所以可以用来估计真实参数。比如：真实的消费者对价格敏感度是 $β = -0.1$，如果我算出某个矩条件 $m(β)$，那么 $m(-0.1) = 0$ ← 神奇吧！

矩估计就是：找参数$β$使得 $m(β) = 0$。

从过往经验来说，矩无外乎来自于以下几种来源：

1. 经济理论的一阶条件，比如企业利润最大化：$∂π/∂P = 0$，这就是一个矩条件

2. 统计假设:

   1. 比如 OLS 中假设随机误差与观测变量或工具变量无关，这导出 $E[X'·ε] = 0$ or $E[Z'·ε] = 0$ 这个矩条件
   2. Logit 模型 $P_j = \exp(V_{ij}) / \sum_k \exp(V_{ik})$，写出对数似然
   $$L(\beta) = \sum_i \sum_j y_{ij} \cdot \log(P_{ij}(\beta))$$

   其中

   $$y_{ij} = \begin{cases} 1 & \text{if 消费者 i 选 j} \\ 0 & \text{otherwise} \end{cases}$$

   矩就是似然函数的一阶条件，导数为 0。

3. 模型的内在约束，比如市场份额必须和为 1，或者消费者的选择概率和为 1，矩就是$\sum p_i - 1 = 0$

4. 市场份额

5. 现在很多面板数据的因果推断也上科技与狠活了，你就记住，面板数据，差分是王道。所以，固定效应的矩是$m(β) = E[ΔX_it(ΔY_it - ΔX_it'β)] = 0$

6. 涉及到时间维度就会有动态模型，这就是很多人只听说过却不知道是啥的，大名鼎鼎的 Arellano-Bond 矩条件，简称 AB 矩。原理很简单，就是滞后水平作为 IV，矩为 $E[Y_i,t-2(ΔY_it - ΔX_it'β - γ·ΔY_i,t-1)] = 0$。

7. 还有一种特殊的动态模型是结构性动态模型，即消费者有前瞻性，会考虑未来价格做决策。矩条件是欧拉方程。

8. 分位数回归的矩是

   $$m_p(\beta) = E[(p - \mathbf{1}_{Y < X'\beta}) X] = 0$$

9. 样本选择修正（Heckman）的矩条件

10. 量化矩的矩条件

11. 位置选择模型（spatial）的矩条件

12. 网络效应模型的矩条件

13. 不完全信息博弈的矩条件，比如企业不知道对手的成本，矩条件通常选择 E[观测价格 - 均衡价格预测] = 0

结构模型如何找矩呢？

核心心法：单调性原则。

好比你是个 DJ。如果你拧动旋钮 A（参数），音响的某个指标 B（数据矩）发生了剧烈变化，而且是单向有规律地变化，那么 B 就识别 A。

比如音量旋钮，顺时针拧就是音量增大，逆时针就是减小，不会忽大忽小不确定。

为了能让你在拿到一个题目时，马上反应出来该用什么矩，我将经济学中常见的参数分为四大门派，并列出了它们的本命矩，帮助你产生条件反射。

门派一：偏好与痛苦 (Preferences & Costs)

描述人的内心世界：怕不怕累？有没有耐心？喜不喜欢孩子？

门派二：摩擦与障碍 (Frictions & Costs)

描述市场的流动性：路好不好走？有没有坑？

门派三：技术与生产 (Technology & Production)

描述硬约束：投入产出关系是怎样的？

门派四：信息与误差 (Information & Shocks)

描述能不能看清未来？

似然函数的构造艺术 (Deep Dive 2: The Art of Likelihood Construction)

如果你选择用 MLE，你不需要像上面那样去“找矩”，你需要的是讲故事。

似然函数 $L(\theta)$ 的核心问题只有一个： “基于我的模型参数 $\theta$，观测到眼前这个数据 $y_i$ 的概率是多少？”

经济学中 99% 的似然函数构造，都逃不出以下五大基本型。掌握了这五个，你就能条件反射般地写出公式。

1. 连续型：正态分布的“钟形曲线” (The Bell Curve Intuition)

• 场景： 你研究工资 $w_i$，假设工资由教育决定，有随机误差。

• 顿悟： 数据点 $y_i$ 出现的概率，就是它落在正态分布钟形曲线上的高度。离均值（$x_i \beta$）越近，高度越高。

• 构造逻辑：

  $$ y_i = x_i \beta + \epsilon_i, \quad \epsilon_i \sim N(0, \sigma^2) $$
  $$ P(y_i) = \frac{1}{\sigma} \phi\left( \frac{y_i - x_i \beta}{\sigma} \right) $$

• 实战代码 (Log-Likelihood)：

  1 2	resid = y - X @ beta ll = -0.5 * np.log(2 * np.pi) - np.log(sigma) - (resid**2) / (2 * sigma**2)

2. 离散选择型：二选一的“门槛” (The Threshold Intuition)

• 场景： 你研究人要不要工作 (Work=1, Not=0)。

• 顿悟： 选择由看不见的“效用差”决定。如果效用差 $U_{work} - U_{home} + \epsilon > 0$，我就工作。概率 = 误差 $\epsilon$ 大于某个门槛的面积。

• 构造逻辑：

  $$ P(y_i=1) = P(x_i \beta + \epsilon_i > 0) = P(\epsilon_i > -x_i \beta) $$
  • 如果 $\epsilon$ 是正态分布 $\rightarrow$ Probit ($\Phi(x_i \beta)$)
  • 如果 $\epsilon$ 是极值分布 $\rightarrow$ Logit ($\frac{e^{x \beta}}{1+e^{x \beta}}$)

呐，很多同学还搞不清楚 Logit 和 Probit 的区别。

• 实战代码 (Logit)：

  1 2	p = 1 / (1 + np.exp(-X @ beta)) ll = y * np.log(p) + (1 - y) * np.log(1 - p)

3. 计数型：事件发生的“节奏” (The Arrival Intuition)

• 场景： 你研究一家公司一年申请多少个专利 (0, 1, 2, 5…)。

• 顿悟： 这是一个排队到达过程。有一个内在的“发生率” $\lambda$（intensity）。观测到 $k$ 次的概率，就是泊松分布的公式。

• 构造逻辑：

  $$ \lambda_i = \exp(x_i \beta) \quad (\text{保证发生率为正}) $$
  $$ P(y_i = k) = \frac{e^{-\lambda_i} \lambda_i^k}{k!} $$

• 实战代码 (Poisson)：

  1 2	lam = np.exp(X @ beta) ll = y * np.log(lam) - lam - gammaln(y + 1)

4. 截断/归并型：看不见的“尾巴” (The Hidden Tail Intuition)

• 场景： 你研究家庭医疗支出。很多人是 0（没生病），剩下的人是正数。或者研究工资，但最高工资被设了上限（Top-coded）。

• 顿悟： 这是一个混合体。

  • 看到正数 $y_i > 0$ 时，概率是高度（PDF）。
  • 看到零 $y_i = 0$ 时，概率是面积（CDF）。所有想花钱但没病的人，都堆在了 0 这一点。

• 构造逻辑 (Tobit)：

  $$ P(y_i) = \begin{cases} \frac{1}{\sigma}\phi(\frac{y_i - x\beta}{\sigma}) & \text{if } y_i > 0\\ \ 1 - \Phi(\frac{x\beta}{\sigma}) & \text{if } y_i = 0 \end{cases} $$

• 实战代码 (Tobit)：

  1 2 3 4

  # 这里的代码需要写个 if-else 或者用 mask ll_pos = -0.5*np.log(2*np.pi) - np.log(sigma) - ((y - X@beta)**2)/(2*sigma**2) ll_zero = np.log(1 - norm.cdf(X@beta / sigma)) ll = np.where(y > 0, ll_pos, ll_zero)

5. 结构动态选择型：路径的“接力赛” (The Path Probability Intuition)（难点）

• 场景： 最复杂的结构模型（如 Rust 1987 公交车引擎更换）。

• 顿悟： 既然一切都是马尔可夫链，那么整条人生轨迹的概率 = 每一步选择概率的乘积 × 每一步状态转移概率的乘积。

• 构造逻辑：

  • 假设观测到一个人在 $t$ 时期状态为 $s_t$，做了选择 $d_t$（换引擎=1，不换=0）。
  • 第一部分（选择概率）： 给定状态 $s_t$，他算出 $V(1)$ 和 $V(0)$，算出选择 $d_t$ 的概率 $P(d_t | s_t, \theta)$（通常是 Logit 形式）。
  • 第二部分（转移概率）： 选了 $d_t$ 后，状态 $s_t$ 变成 $s_{t+1}$ 的概率 $\pi(s_{t+1} | s_t, d_t)$。
  • 总似然： $$ L(\theta) = \prod*{t=1}^T \underbrace{P(d_t | s_t, \theta)}*{\text{CCP / Logit}} \times \underbrace{\pi(s*{t+1} | s_t, d_t)}*{\text{Transition}} $$

• 实战代码 (Structural)：

  1 2 3 4 5 6 7 8 9 10 11

  # 1. 先解动态规划 (DP) 得到价值函数 V # V_diff = V(换) - V(不换) # 2. 算选择概率 (Logit) prob_replace = 1 / (1 + np.exp(-V_diff)) # 3. 构造似然 # 如果数据里 d=1，概率是 prob_replace # 如果数据里 d=0，概率是 1 - prob_replace ll = d * np.log(prob_replace) + (1 - d) * np.log(1 - prob_replace) # (注：通常还要加上状态转移概率 log(pi))

间接推断与辅助模型的构造艺术 (Deep Dive 3: The Art of Indirect Inference)

这是结构估计中最高阶的技巧。当你无法直接写出似然函数（因为缺失数据或模型太复杂），但数据中又有明显的规律时，就用间接推断 (Indirect Inference, II)。

核心思想

不要试图直接描绘真理（结构参数），而是去描绘影子的形状。

• 结构模型是“那个人”。
• 数据是他在地上的“影子”。
• 辅助模型（Auxiliary Model）是你画的一幅“速写”。
• 逻辑： 虽然速写（OLS 回归）不是真人，但如果速写里这人的鼻子很大，那么真人的鼻子一定也很大。我们通过让模型生成的假数据跑出来的回归系数（假鼻子），去匹配真实数据跑出来的回归系数（真鼻子）。

构造辅助模型的“四大流派” (The Four Archetypes)

不管你的研究题目多复杂，辅助模型的设计通常逃不出这四种套路。

实战案例：Jolivet & Postel-Vinay (2025) 的做法

J&P (2025) 使用了 间接推断 来识别关键参数。让我们看看他们是如何运用上述流派的：

情景 A：识别“健康对工资的影响” (Selection vs Causality)

• 难题： 我们看到健康好的人工资高。这是因为健康让人工作效率高（因果），还是因为有钱人能通过更好的医疗保持健康（筛选）？
• 辅助模型： 简单的 Mincer 工资回归 $$ \ln w*{it} = \beta_0 + \beta_1 \cdot \text{Health}*{it} + \beta*2 \cdot \text{Age}*{it} + u\_{it} $$
• 逻辑： 这个 $\beta_1$ 在真实数据中是正的（比如 0.2）。你怎么得到的 0.2？
  • 如果模型里没有“健康影响生产率”的机制，模拟出来的 $\beta_1$ 可能会很小（仅靠反向因果不够）。
  • 我们强迫模型里的 $\beta_1$ 也要等于 0.2。这迫使模型内部调整“健康-生产率”参数，直到吻合。

情景 B：识别“搜寻摩擦的持续性” (Friction Persistence)

• 难题： 为什么有些人一直在烂工作里跳不出来？
• 辅助模型： 状态转移概率矩阵（或 Logit 回归） $$ P(\text{Job}\_{t+1} | \text{Unemp}_t) \quad \text{vs} \quad P(\text{Job}_{t+1} | \text{Job}\_t) $$
• 逻辑： 这种条件概率捕捉了路径依赖。如果真实数据里，从失业找工作很难（概率低），从在职找工作容易。模型必须生成同样的概率差。

操作代码模板 (Code Template)

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23

# 1. 准备真实数据
real_data = pd.read_csv("ukhls.csv")

# 2. 跑辅助回归（真实世界的影子）
# 例如：工资 ~ 年龄 + 健康
aux_model_real = sm.OLS.from_formula("log_wage ~ age + health", data=real_data).fit()
beta_real = aux_model_real.params.values  # 拿到目标系数，比如 [2.5, 0.03, 0.1]

# 3. 定义间接推断的目标函数
def objective_function(struct_params):
    # A. 解结构模型 & 模拟数据
    # 这里生成一个和真实数据一样大小的假数据集
    sim_data = simulate_structural_model(struct_params)

    # B. 跑同样的辅助回归（模型的影子）
    # 注意：公式必须一模一样！
    aux_model_sim = sm.OLS.from_formula("log_wage ~ age + health", data=sim_data).fit()
    beta_sim = aux_model_sim.params.values

    # C. 让影子重合
    # 最小化两个系数向量的距离
    distance = np.sum((beta_real - beta_sim)**2)
    return distance

导师划重点 (Tips)

1. 辅助模型不需要是对的 (Mis-specification is OK): 你的 OLS 回归可以有遗漏变量偏差，可以有内生性。没关系！只要你的结构模型能生成同样的偏差，你就能识别出参数。
2. 选矩要“对症下药”: 想估方差参数？辅助模型里必须有残差平方。
   • 想估持续性参数？辅助模型里必须有滞后项 ($y_{t-1}$)。
   • 想估非线性参数？辅助模型里必须有平方项 ($x^2$)。
3. 不要太复杂: 辅助模型越简单越好（比如 OLS），算得快。不要用另一个复杂的结构模型做辅助模型，那是套娃。

神奇的 CCP 两步法的魔法 (Deep Dive 4: The Magic of CCP / Two-Step Method)

这是对付“维数诅咒”的终极武器。如果你的状态变量很多（例如：年龄 $\times$ 健康 $\times$ 教育 $\times$ 资产），解一遍动态规划（DP）可能要几小时，放进 MLE 的循环里估计参数要跑几年。

CCP (Conditional Choice Probability, Hotz-Miller 1993) 的核心顿悟是：“作弊”。

核心思想

通常我们解动态规划是为了算出期望收益价值 $E[V_{future}]$，从而推导出人会选什么的概率 $P(choice)$。

CCP 把它倒过来了：

直觉： 如果我看到你在 90% 的情况下都选择了“上大学”，即使我不解模型，我也知道对你来说 $E[V_{\text{college}}] - E[V_{\text{work}}]$ 肯定很大。数据里的选择概率，已经包含了未来价值的所有信息！

既然数据告诉你答案了，就不要自己去算了。

适用场景 (When to use?)

只要遇到动态离散选择模型 (Dynamic Discrete Choice)，而且你不想解 DP，就用它。

1. Rust 公交车模型： 什么时候换引擎？
2. 市场进入/退出游戏： 沃尔玛要不要进入这个城市？（这是 CCP 最常用的地方，因为博弈论模型太难解了）。
3. 职业选择： 要不要去读博？

关键公式：Hotz-Miller Inversion

假设误差项服从 Type 1 Extreme Value 分布（Logit），那么未来价值差和当前选择概率之间有一个极简单的关系：

利用这个，我们可以把复杂的 Bellman 方程重写成一个线性回归。

操作两步走 (The Two-Step Recipe)

Step 1: 描述性统计 (First Stage - Reduced Form)

• 任务： 忘掉你的结构模型。直接看数据。

• 做法： 估算在每一个状态 $s$ 下，人们做各个选择的概率 $\hat{P}(d|s)$。

  • 如果数据多，直接用频率（数数）。

  • 如果数据少，那就要跑回归来用平滑对抗稀疏，跑一个 Logit/Probit 回归（包含 $s$ 的多项式）。

    比如你的状态 $s$：45 岁，已婚，有房，健康良好。你想找符合这些条件的人里面就业概率是多少，但你的样本只有 2000，根本填不满状态空间，大多数格子是空的。既然找不到完全一样的人，我们就找相似的人。我们假设：概率是状态 $s$ 的平滑函数。即：43 岁的人的选择概率，应该和 42 岁、44 岁的人差不多，不会突变。所以我们要跑一个 logit 回归：

    $$P(d=1|s) = \frac{\exp(f(s))}{1 + \exp(f(s))}$$

    这里的关键在于 $f(s)$ 怎么写。如果我们只写 $f(s) = \beta_0 + \beta_1 \text{Age}$，这就太僵硬了。它假设年龄每增加一岁，概率的变化是单调的。但现实中，职业选择可能随年龄呈“倒 U 型”。所以我们要加入多项式（Polynomials）和交互项（Interactions），需要你自己去试。

    这就是一个简单的 reduced-form 回归，在这个 Logit 回归里，$\beta$ 系数（比如年龄的系数）没有经济学含义，我们也不关心，我们只关心 $\hat{P}$（预测值）准不准，所以这个回归其实就是个拟合，我们用它只是为了在数据稀疏的地方，画出一条平滑的曲线，把那些断裂的点连起来。然后找到一个拟合的特别好的结果 $\hat{P}$，就用它当概率。

• 产出： 你现在手里有了 $\hat{P}$，它不再是未知的，它是数据。

Step 2: 结构估计 (Second Stage - Structural)

• 任务： 估计效用参数 $\theta$。
• 做法： 把 Bellman 方程里的 $E[V']$ 替换成 $\hat{P}$ 的函数。
• 顿悟公式 (Finite Dependence 简化版)： 本来的公式（你不用知道怎么来的，你就说从 Bellman 方程来的）是 $$\ln \left( \frac{P_{1t}}{P_{0t}} \right) = \underbrace{u_1(s_t) - u_0(s_t)}_{\text{当前效用差}} + \beta \underbrace{\left( E[V(s_{t+1})|1] - E[V(s_{t+1})|0] \right)}_{\text{未来期望价值差}}$$ 到现在为止，这个公式还是很烦人，因为还有 $E[V]$ 这个未知项（它是 Bellman 方程的解）。这时候我们刚才估计的概率估计值 $\hat{P}$ 就派上用场了，可以我们可以把第三步里那个讨厌的 $E[V(s_{t+1})]$ 换掉了！ $$ \ln \left( \frac{P*{1t}}{P*{0t}} \right) = \underbrace{u*1(s_t) - u_0(s_t)}*{\text{当前效用差}} + \beta \underbrace{[\dots \ln \hat{P}_{t+1} \dots]}_{\text{未来价值差 (用 P 替换)}} $$ 看！这变成了一个形如 $Y = X\cdot \theta + \text{Future}(P)$ 的方程。 - 左边 $\ln(P_1/P_0)$：是数据（你可以直接统计辞职率）。 - 右边第一项 $u_1 - u_0$：包含参数 $\theta$（比如工资系数、固定成本）。 - 右边第二项 $\ln \hat{P}_{t+1}$：是数据（未来的辞职率）。 你可以用 OLS 或者简单的最小距离法直接解出 $\theta$。

实战代码模板 (Code Template)

假设我们要估算一个简单的停业/营业模型。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30

# === Step 1: 估算 CCP (第一步) ===
# 不需要解模型，直接跑 Logit
# 假设决策 decision 取决于状态 state
reduced_form = LogisticRegression().fit(df[['state']], df['decision'])
# 得到每个状态下的预测概率 P_hat
df['P_hat_1'] = reduced_form.predict_proba(df[['state']])[:, 1]
df['P_hat_0'] = 1 - df['P_hat_1']

# === Step 2: 结构估计 (第二步) ===
def structural_loss(theta_guess):
    # theta_guess 包含当前效用函数的参数
    u_1 = theta_guess[0] * df['state'] - theta_guess[1] # 营业利润 - 固定成本
    u_0 = 0 # 停业效用归零

    # 关键：计算 "Implied Value" (未来价值修正项)
    # 根据 Hotz-Miller，未来价值可以用 log(P_hat) 来表示
    # 这里是一个简化示意，实际需要根据 Euler Equation 构造
    future_correction = beta * (np.log(df['P_hat_0'].shift(-1)) - np.log(df['P_hat_1'].shift(-1)))

    # 构造预测的 Log Odds
    predicted_log_odds = (u_1 - u_0) + future_correction

    # 真实数据的 Log Odds
    actual_log_odds = np.log(df['P_hat_1'] / df['P_hat_0'])

    # 最小化两者差距 (Least Squares)
    return np.sum((predicted_log_odds - actual_log_odds)**2)

# 跑！不用解 Bellman，飞快！
opt_res = minimize(structural_loss, x0=[1.0, 0.5])

实例演示

鉴于这部分内容不太好理解，我打算用一个虚构的例子来演示一遍。看好了，我只演示一遍……

场景设定：

• 主角：老王，公交车司机。
• 决策：每年年初，老王要决定是 继续工作 (Work, d=1) 还是 退休 (Retire, d=0)。
• 状态变量：年龄 ($t$) 和 健康 ($h$, 1=好, 0=差)。
• 核心权衡：工作有工资（$Wage$），但工作很累（$Cost$）。退休没钱但舒服。

我们想估计的结构参数 $\theta$ 是：老王觉得工作到底有多累？ （即劳动成本函数）。

Step 0: 看看手里的 Excel 表

假设你有 2000 个像老王一样的司机的数据。表长这样：

Step 1: 灵活 Logit（第一步）

我们完全不知道老王的效用函数长什么样。我们只关心：在不同年龄和健康下，大家平均来说是怎么选的？

我们跑一个 Logit 回归：$Choice \sim Age + Age^2 + Health + Age \times Health$。

stata 跑完 logit 回归后不要看系数表，直接 predict p_hta pr ，输出预测结果（$\hat{P}_{work}$）：

关键点： 这些数字（0.95, 0.20 等）现在就是已知数据了。我们不再把它们当成概率，而是当成“价值的显示”。

Step 2: 结构参数估计（第二步）

现在我们要解出结构参数：劳动成本 $\alpha$。

A. 设定模型

• 工作效用：$u_1(t, h) = Wage - \alpha \cdot (Age \times (1-Health))$
  • (假设：年纪越大、身体越差，工作越累，$\alpha$ 是那个系数)
• 退休效用：$u_0(t, h) = 0$ (标准化为 0)

B. 那个“魔法公式” 根据 CCP 原理，当前的选择概率差 = 当前的效用差 + 未来的修正项。

移项整理，这就变成了形如 $Y = \text{Wage} - \alpha X + Z$ 的方程：

C. 只要做一次减法！ 让我们看看 60 岁, 健康差 这一行数据：

• $\hat{P}_1 = 0.20, \hat{P}_0 = 0.80$
• 左边 $Y$ (近似) $= \ln(0.2) - \ln(0.8) \approx -1.38$ (忽略未来修正项以简化)。
  • 直觉： 这个负数 (-1.38) 告诉我们，在这个状态下，工作的总价值比退休低很多！
• 右边 $X$ $= 60 \times (1-0) = 60$。
• 假设工资 Wage = 100。

方程变成了：

解得：

结论： 我们就这样算出了 $\alpha$！我们不需要解任何 Bellman 方程，不需要模拟 10000 次。我们就用 Logit 算出的概率（0.2 和 0.8），做了一次代数运算，就反推出了老王心里的劳动成本系数。

这就是 CCP 的威力：它把概率视作价格，直接倒推出了成本。

聪明的你，可能马上看出两个问题，首先是你这个 logit 回归也太随意了吧，高次项随意添加，怎么保证拟合优度？怎么保证既没有过拟合也没有欠拟合？

简单啊，stata 就用 AIC 和 BIC 指标来判定啊。python 就用 K-Fold 交叉验证。

至此，我们就学完了所有方法。

别急，这些方法都可以套用一个外壳，那就是贝叶斯。当你的数据里有足够的信念信息，就可以选择贝叶斯方法，这部分内容放到中级教程中吧。

第四阶段：小白实战步骤 (Action Plan)

如果你现在要开始做自己的研究，请按这个步骤操作：

1. 列清单： 把你模型里所有的希腊字母列出来（假设有 10 个）。
2. 做减法（Fix parameters）：
   • 去查文献，把那些大家都公认的参数（如折现因子 $\beta=0.95$，税率 $\tau=0.2$）固定下来，不要去估计，这叫 Calibration。
   • 现在剩下 6 个参数。
3. 找物理参数（Direct Estimation）：
   • 看能不能用 OLS/MLE 直接算出其中 3 个（如生产函数、转移概率）。
   • 现在剩下 3 个最难的“行为参数”（比如 $\kappa, \lambda$）。
4. 结构估计（Choose your weapon）：
   • 根据上面的决策树，判断是写 Likelihood (MLE)，还是写矩条件 (GMM)，还是写模拟循环 (SMM)。
   • 如果选择了模拟 (SMM/II)，在数据里找 3-5 个最敏感的特征（矩）。使用上面的**“识别字典”**来查找灵感。
   • 写代码：
     • Loop 1: 猜 $\kappa, \lambda$。
     • Loop 2: 解模型 / 模拟 10000 个人。
     • Loop 3: 算这 10000 个人的失业时间、辞职率。
     • Loop 4: 和真实数据对比，算距离，调整猜测。

导师划重点 (Tips)

• 不要过度识别 (Over-identification) 是神话： 虽然理论上矩越多越好，但实际上，矩选得越精准越好。增加无关的矩只会引入噪音。
• 识别是讲故事： 在论文里写 Estimation 部分时，不要只写数学公式。要用我上面的“侦探逻辑”告诉读者：“为什么我相信 $\lambda$ 是 0.5？因为数据里的平均失业周期是 6 个月，只有 $\lambda=0.5$ 才能生成这个数据。”
• 先画图： 在跑复杂的 SMM 之前，先把那个矩随着参数变化的图画出来（Comparative Statics）。如果参数变了，矩都不动，说明这个矩选错了，无法识别该参数。

小白实战步骤

如果你现在要开始做自己的研究，请按这个步骤操作：

1. 列清单： 把你模型里所有的希腊字母列出来（假设有 10 个）。
2. 做减法（Fix parameters）：
   • 去查文献，把那些大家都公认的参数（如折现因子 $\beta=0.95$，税率 $\tau=0.2$）固定下来，不要去估计，这叫校准，就是赵老师口中常说的 Calibration。
   • 现在剩下 6 个参数。
3. 找物理参数（Direct Estimation）：
   • 看能不能用 OLS/MLE 直接算出其中 3 个（如生产函数、转移概率）。
   • 现在剩下 3 个最难的“行为参数”（比如 $\kappa, \lambda$）。
4. 矩估计
   • 见下方.
5. 如需要做模拟（SMM）：
   • 为这 3 个参数，在数据里找 3-5 个最敏感的特征（矩）。
     • 想识别摩擦？找失业时间。
     • 想识别痛苦？找辞职率。
   • 先画图： 在跑复杂的 SMM 之前，先把那个矩随着参数变化的图画出来（Comparative Statics）。如果参数变了，矩都不动，说明这个矩选错了，无法识别该参数。
   • 写代码：
     • Loop 1: 猜 $\kappa, \lambda$。
     • Loop 2: 解模型，模拟 10000 个人。
     • Loop 3: 算这 10000 个人的失业时间、辞职率。
     • Loop 4: 和真实数据对比，算距离，调整猜测。

通过一个实际的例子来了解找矩的逻辑

From Intuition to Operation

光看表格里的“顿悟逻辑”是不够的。你需要知道这些逻辑是如何变成代码里的方程的。我们通过两个经典案例，来完成从直觉 $\rightarrow$ 数学 $\rightarrow$ 代码的闭环。

案例 A：搜寻摩擦 ($\lambda$)

你负责估计一个劳动力市场模型，需要知道“找工作有多难”。

Step 1: 直觉 (Intuition)

啥东西单调影响找工作的难度 $\lambda$？$\longrightarrow$ 失业平均持续时间。

如果 $\lambda$ 很大（每天 10 个猎头打你电话），你失业的时间会非常短。

如果 $\lambda$ 很小（一年才有一个面试机会），你会在失业池里待很久。

结论： “失业平均持续时间”这个数据特征，应该能识别 $\lambda$。

Step 2: 建模

Offer 到达率： 设失业者收到 Offer 服从泊松分布，到达率参数为 $\lambda$。

接受率 (Acceptance Probability)： 设收到 Offer 后，你接受它的概率为 $\Phi$（通常取决于你的保留工资）。

脱离率 (Hazard Rate)： 你每一刻“成功找到工作”的概率是 $h = \lambda \times \Phi$。

持续时间 (Duration)： 根据统计学原理，如果脱离率是常数 $h$，那么“失业持续时间” $T$ 服从指数分布。

指数分布？好东西啊，这不矩就送上门了？

理论矩公式： 失业持续时间的期望值是：

你发现保留工资这个东西没人会告诉你，数据里查不到，看来传统的 GMM 不行了，只能上模拟了。

在模拟之前，必要的检验还得做。

Step 3: 识别逻辑检查，又为单调性检查 (Monotonicity Check)

检查单调性： 只要 $\Phi$ 不随着 $\lambda$ 反向剧烈变化，当 $\lambda \uparrow$ 时，分母变大，$E[T] \downarrow$。

结论： 参数 $\lambda$ 和数据矩 $E[T]$ 存在一一对应的单调关系，可以识别！

Step 4: 操作层面，首先确定思路，我们要用理论上模拟估计得出的失业时长去匹配数据里的失业时长，让他们尽可能一样，从而反解出 $\lambda$。 1. 想办法算工人的保留工资，进而得到他们的最优策略，也就是新工作的接受率 2. 有了前提参数，接着马上直奔主题，模拟 10000 个人来估计平均失业时长 3. 从数据里读出真实的平均失业时长 4. 最后把模拟的和数据的失业时长做个距离（方差最小）

(The Code) 在你的代码里，这实际上是这样写的：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13

def objective_function(lambda_guess):
    # 1. 解模型：根据 lambda_guess 算出工人的最优策略（比如保留工资） # 进而得到接受率 phi
    phi = solve_model(lambda_guess)

    # 2. 算模型矩：理论上的平均失业时长
    # 或者通过模拟 10000 个人来算平均时长
    duration_sim = 1 / (lambda_guess * phi)

    # 3. 读数据矩：从数据里算出来的真实平均失业时长（比如 6.5 个月）
    duration_data = 6.5

    # 4. 返回距离
    return (duration_sim - duration_data)**2

案例 B：固定调整成本 ($F$)

你负责研究企业投资行为，想知道“安装新机器的停工成本”有多高。

Step 1: 直觉 (Intuition)

如果 $F$ 很大（每次调整都要关停工厂一个月），我会尽量不动。除非机器真的烂透了，或者需求真的太大了，我才动一次。

那我可以去数一数数据里有多少个“0”（即企业没有进行任何投资的年份占比）。这个比例越高，$F$ 应该越大，所以这个比例就是我千辛万苦要找的“矩”！

思路有了，可以写矩条件了。

Step 2: 建模

价值函数： 企业面临决策，要么不动（Wait），要么调整（Adjust）。

决策规则 (S-s Rule)： 这个最大化问题的解通常表现为一个“不作为区间” (Inaction Region) $[k_{lower}, k_{upper}]$。

如果当前资本 $k$ 在区间内：$i = 0$。

如果当前资本 $k$ 掉出区间：$i \neq 0$。

区间宽度： 区间宽度 $W = k_{upper} - k_{lower}$ 是 $F$ 的增函数。$F$ 越大，区间越宽，你掉进区间的概率越大。单调性原则不就来了？

Step 3: 识别逻辑检查 (Monotonicity Check)

略

Step 4: 操作层面

1. 求解动态优化的Bellman方程，得到上下边界
2. 如果从数据中能得到企业的资本，就用GMM，不能就模拟：让 10000 个企业经受随机冲击，记录它们的资本 k
3.看多少企业的资本落在了“不作为区间”里，这些企业的投资 i 都会是 0
4. 从数据里读出真实的“投资为 0”的比例
5. 用模拟的和数据的“投资为 0”的比例做个距离（方差最小）

划重点 (Tips)

• 不要过度识别 (Over-identification) 是神话： 虽然理论上矩越多越好，但实际上，矩选得越精准越好。增加无关的矩只会引入噪音。
• 识别是讲故事： 在论文里写 Estimation 部分时，不要只写数学公式。要用我上面的“侦探逻辑”告诉读者：“为什么我相信 $\lambda$ 是 0.5？因为数据里的平均失业周期是 6 个月，只有 $\lambda=0.5$ 才能生成这个数据。”