结构估计实操全攻略：从"知道原理"到"条件反射"

第一部分：六大方法的"快速画像"

在深入之前，先给你一张"速查表"，建立第一印象：

第二部分：方法详解与场景匹配

方法一：最大似然估计（MLE）

核心思想

类比：你是一个老师，学生交了一份答卷（数据）。你有很多套出题规则（不同参数值），你要找到"最可能出这份答卷"的那套规则。

数学表达：

其中 $f(\cdot)$ 是数据的概率密度函数（似然函数）。

适用条件（条件反射触发器）

当你遇到以下情况时，想到 MLE：

1. ✅ 能写出完整的似然函数（知道数据的分布形式）
2. ✅ 模型相对简单，没有复杂的积分或求和
3. ✅ 数据生成过程清晰，从选择到结果的映射明确
4. ✅ 样本量较大，保证渐近性质成立

场景一：离散选择模型——城市交通方式选择

现实背景：北京市交通委想知道居民为什么选择地铁/公交/开车。

数据：

• 个体特征：收入 $inc_i$、年龄 $age_i$、是否有车 $car_i$
• 选项特征：时间 $time_{ij}$、费用 $cost_{ij}$（j=1,2,3 代表三种方式）
• 观察到的选择：$y_i \in \{1, 2, 3\}$

模型设定（随机效用模型）：

个体 i 选择方式 j 的效用：

假设 $\varepsilon_{ij}$ 服从第一类极值分布（Gumbel 分布），则选择概率为著名的Logit 模型：

其中 $V_{ij} = \beta_1 \cdot time_{ij} + \beta_2 \cdot cost_{ij} + ...$

I. 结构参数（代表偏好和制约）

具体例子：

• 早上 8 点，王先生有车，收入 ¥8000/月，从家到公司：
  • 地铁：40 分钟，¥2
  • 开车：30 分钟，¥10（油+停车）
  • 他选择地铁
• 同日，李女士有车，收入 ¥3000/月：
  • 地铁：40 分钟，¥2
  • 开车：30 分钟，¥10
  • 她选择开车

从这个对比，我们推断：

• $\gamma_1 > 0$（高收入人群更不愿意开车——反直觉！需要加解释）
• 或者，模型遗漏了变量（如王先生没有驾照，但数据里有）

如何估计？ 从数据中的变异：

• 当不同出发地有不同的出行时间时，时间变异帮助识别$\beta_1$
• 当不同路线有不同的票价时，价格变异帮助识别$\beta_2$
• 当同样家庭不同成员有不同收入时，收入变异帮助识别$\gamma_1$

数据来源：

1
2
3
4
5
6
7
8

北京市交通出行调查 (2020)
├─ 个体信息：5000个受访家庭
│  └ 收入、年龄、教育、是否拥车、是否有驾照
├─ 出行信息：每个受访者记录一天的所有出行
│  └ 出发地、目的地、选择的方式
└─ 出行时间/费用：从交通部门数据库匹配
   └ 从A地到B地坐地铁需要多少时间/费用
   └ 开车需要多少时间/费用

识别的两大来源：

似然函数：

对数似然：

操作步骤：

1. 设定参数初始值 $\theta^{(0)}$
2. 对每个观测计算选择概率 $P_{ij}$
3. 计算对数似然
4. 用数值优化（如牛顿-拉夫森法）找到使对数似然最大的 $\hat{\theta}$
5. 用 Hessian 矩阵的逆计算标准误

陷阱与注意：

• 全局最优 vs 局部最优：多用几个不同初始值
• 分离问题：如果某个变量完全预测了结果（比如有车的人 100%开车），参数会趋向无穷
• IIA 问题：Logit 模型假设"无关选项独立性"，可能不现实（需要考虑 Nested Logit 或 Mixed Logit）

估计过程步骤

第一步：数据整理和变量构造

从原始数据构造每个选择集：

1
2
3
4
5
6

受访者 i，出行 t：
- 选择：y_it = 2（选了公交）
- 地铁可用性：time_i1 = 40, cost_i1 = 2
- 公交可用性：time_i2 = 45, cost_i2 = 1.5
- 开车可用性：time_i3 = 30, cost_i3 = 10, car_i = 1
- 个体特征：inc_i = 8000, age_i = 35, ...

第二步：设定似然函数

其中对于选择 2 的观测：

第三步：参数初始化

1
2
3
4
5
6

β₁ ← -0.05  （负数：时间增加→效用下降）
β₂ ← -0.10  （负数：费用增加→效用下降）
γ₁ ← 0.00   （收入影响）
γ₂ ← 0.50   （有车→倾向开车）
α₂ ← -0.10  （公交相对地铁不那么吸引）
α₃ ← 0.50   （开车相对地铁更吸引）

第四步：数值优化

使用 BFGS 或牛顿法：

1
2
3
4

repeat until convergence:
    计算 ∇ln L（所有样本的对数似然梯度）
    更新：θ_new = θ_old + step_size × 梯度方向
    检查：如果 |∇ln L| < 容差，停止

第五步：计算标准误

为什么要选 MLE？

场景二：生存分析——企业存活时间

现实背景：你想研究初创企业为什么有的活 3 年就倒闭，有的能活 20 年。

代理人问题：一个企业存活多长时间，取决于什么？

经济学视角：企业每期面临倒闭风险，风险取决于企业特征和经济环境。

数据：

• 企业特征：初始资本 $K_0$、行业 $ind$、创始人学历 $edu$
• 观察到的存活时间 $T_i$
• 是否右删失（调查结束时还活着）$c_i$

模型设定（Weibull 生存模型）：

假设存活时间的风险函数为：

含义：在时刻 t，给定企业特征 X，存活到 t 的企业在下一个时刻倒闭的（条件）概率。

生存函数为：

企业存活超过 t 时刻的概率。

结构参数

数据来源**：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11

工商注册数据库 (2005-2023)
├─ 企业层级信息：200万家
│  ├─ 注册时间 t_register
│  ├─ 注销时间 t_deregister（如果存在）
│  ├─ 初始注册资本 K_0
│  ├─ 行业分类 ind
│  └─ 创始人教育（部分数据）
│
└─ 观测规则：
   ├─ 如果2023年还存活 → 右删失（censored）
   └─ 如果已注销 → 完整观测（event）

关键特点：删失信息

这是生存分析的核心难点：

• 2010 年注册，2015 年倒闭的企业 → 完整观测 T=5 年
• 2010 年注册，2023 年仍存活的企业 → 删失观测 T≥13 年

如果忽视删失会怎样？

1
2
3
4

如果我们只分析已倒闭企业：
→ 偏向于低生存时间
→ 低估资本、教育等因素的存活效应
→ 高估企业倒闭风险

识别策略：

似然函数：

对于观测到死亡的企业，贡献密度 $f(T_i)$；对于右删失的，贡献 $S(T_i)$：

为什么 MLE 适合这里：

• 分布假设明确（Weibull）
• 能写出完整似然
• 删失信息可以自然纳入

估计过程

第一步：数据整理

1
2
3
4
5
6
7
8

企业 i 的数据：
- 存活时间（或删失时间）：T_i
- 删失指示：δ_i = {0 删失, 1 已倒闭}
- 特征：K_0i, ind_i, edu_i

示例：
企业A：T=5年，δ=1，K_0=300万，科技，本科创始人
企业B：T≥13年，δ=0，K_0=200万，传统，高中创始人

第二步：似然函数

对于已倒闭企业（δ=1），贡献密度：

对于删失企业（δ=0），贡献生存概率：

总似然：

第三步：对数似然

第四步：数值最大化

1
2
3
4
5
6
7
8
9

初始化：β ← (0.1, 0.2, ...), α ← 0.001, γ ← 1.2

repeat until convergence:
    对每个企业 i：
        计算 h_i, S_i
        计算似然贡献
    合并所有似然
    计算梯度
    更新参数

第五步：检验模型设定

验证 Weibull 假设：

• 画 Kaplan-Meier 生存曲线（非参数）
• 叠加参数模型的生存曲线
• 如果不匹配 → 考虑其他分布

方法二：广义矩估计（GMM）

核心思想

类比：你去菜市场买西瓜，但不能切开看。你用了三个"测试"：

1. 拍一拍听声音（矩条件 1）
2. 看瓜纹间距（矩条件 2）
3. 掂一掂重量（矩条件 3）

你要找一个"成熟度参数"，使得理论上的声音、纹路、重量和你实际观察到的尽量一致。

数学表达：

设有 L 个矩条件：

GMM 估计量：

其中 $W$ 是权重矩阵。

适用条件（条件反射触发器）

当你遇到以下情况时，想到 GMM：

1. ✅ 似然函数难以写出或计算复杂
2. ✅ 但理论给出了一些矩条件（如 Euler 方程、正交条件）
3. ✅ 有工具变量可用
4. ✅ 矩条件数 ≥ 参数数（可识别）
5. ✅ 可能存在异方差或序列相关

场景三：家庭消费与储蓄行为——跨期替代弹性估计

现实背景：央行想知道居民对利率变化的敏感度，以便制定货币政策。

代理人问题：一个家庭在多个时期进行消费和储蓄决策，目标是最大化生涯效用。

最优化问题：

约束条件：

（每期财富 = 上期财富加利息 + 收入 - 消费）

一阶条件（Euler 方程）：

消费者在消费和储蓄间无差异：

经济含义：

• 左边：今天少消费 ¥1 的成本（给出的边际效用）
• 右边：存这 ¥1 一年，明年消费更多的收益（折现的未来边际效用增加）

数据：

• 家庭消费 $C_t$（来自消费者支出调查）
• 实际利率 $r_t$（银行存款利率 - 通胀）
• 收入、年龄等控制变量 $Z_t$

消费者最大化：

Euler 方程（一阶条件）：

假设 CRRA 效用 $u(C) = \frac{C^{1-\sigma}}{1-\sigma}$，取对数并整理：

其中 $\sigma$ 是相对风险厌恶系数（也是跨期替代弹性的倒数）。

结构参数

问题：$\varepsilon_{t+1}$ 与 $r_{t+1}$ 可能相关（期望误差，但条件于 t 期信息）

GMM 矩条件：这里我们不估计似然函数，而是利用 Euler 方程给出的矩条件：

这意味着：$\varepsilon_{t+1}$ 与任何 t 期可观测变量都无关：

样本等价物：

可选的工具变量 $Z_t$：

• 滞后消费增长 $\Delta \ln C_t$
• 滞后利率 $r_t$
• 收入增长 $\Delta \ln Y_t$
• 年龄、教育等不随时间快速变化的特征
• 宏观变量：失业率、通胀等

操作步骤：

第一步：定义矩函数

第二步：两步 GMM

1. 第一步用单位权重矩阵 $W^{(1)} = I$，得到初始估计 $\hat{\theta}^{(1)}$
2. 用 $\hat{\theta}^{(1)}$ 计算最优权重矩阵： $$\hat{W}^{opt} = \left[ \frac{1}{N} \sum_{i=1}^{N} \hat{g}_i \hat{g}_i' \right]^{-1}$$
3. 第二步用 $\hat{W}^{opt}$ 重新估计

第三步：过度识别检验（Hansen J 检验）

其中 L 是矩条件数，K 是参数数。如果 J 统计量显著，说明模型设定可能有问题。

数据来源：

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

中国家庭追踪调查 CFPS (2010-2020)
├─ 家庭层级：8000个家庭的时间序列
│  ├─ 消费支出（分类：食品、服装、教育等）
│  ├─ 储蓄（银行存款、理财产品）
│  ├─ 资产信息
│  └─ 人口学特征
│
├─ 收入数据：
│  └─ 工作收入、财产收入、转移收入
│
└─ 利率数据（匹配年份）：
   └─ 一年期定期存款利率

识别策略：

利率变异是关键！

• 2008 年金融危机：利率下降 → 如果消费也下降，意味着$\sigma$高
• 2015 年加息周期：利率上升 → 观察消费增长如何变化

具体例子：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15

时期 t：利率 r_t = 3.25%, 消费增长 Δln C = 2%
时期 t+1：利率 r_{t+1} = 2.25%, 消费增长 Δln C = 4%

Δln C_{t+1} - Δln C_t = 4% - 2% = 2%
利率变化：Δr = 2.25% - 3.25% = -1%

如果 1/σ × (-1%) ≈ 2% → σ ≈ -0.5?（不对！）

问题在于：利率下降应该让消费平滑（储蓄减少），消费增长上升
但我们观察到的是反向：利率下降时，消费增长也上升

这可能是：
1. 消费者情绪变化（消费心理）
2. 收入期望改变（预期乐观）
3. σ 的估计结果是受到这些混淆因素

数据预处理

1
2
3

对每个家庭 i，计算每年的变量： C_{it} = 总消费支出 r_t = 实际利率（名义利率 - 通胀率） Y_{it} = 总收入

创建所需的变量： Δln C_{it} = ln(C_{it}) - ln(C_{i,t-1})

选择矩

选定 L 个工具变量，构造 L 个矩条件：

常见选择（保守起见，通常选 3-5 个）：

• $Z_{t1} = 1$（常数：Δln C 的均值）
• $Z_{t2} = \ln(1+r_t)$（滞后利率）
• $Z_{t3} = Δ\ln Y_t$（收入增长）
• $Z_{t4} = Δ\ln C_t$（滞后消费增长）

GMM

第一步：用恒等权重 $W^{(1)} = I$

其中 $\bar{g}(\theta) = \frac{1}{NT} \sum_{i,t} Z_t \cdot \varepsilon_{it}(\theta)$

第二步：计算最优权重

用最优权重重新估计：

第四步：Hansen J 检验（过度识别检验）

其中 L=4 个矩，K=2 个参数（$\alpha, \sigma$），所以 J ~ χ²(2)

• 如果 J < 5.99（5% 临界值），说明模型在过度识别约束下无法拒绝
• 如果 J > 5.99，说明模型存在误设（比如 Euler 方程不成立）

陷阱与注意：

• 弱工具变量：如果工具变量与内生变量相关性弱，估计会不稳定
• 过多矩条件：矩条件太多可能导致有限样本偏差
• 序列相关：如果误差存在序列相关，需要用 HAC 标准误

实用技巧：选择矩条件时，问自己"这个变量在经济学上为什么应该与误差无关？"

结果解读

假设真实估计结果：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14

σ = 1.8
  (0.15)  标准误

含义：
- 如果消费增加1%，边际效用下降1.8%
- 或者，跨期替代弹性 = 1/σ = 0.56
  (一年期实际利率每上升1个百分点，消费增长下降0.56个百分点)

β = 0.97
  (0.02)

含义：
- 一年期贴现因子为0.97
- 年化贴现率 = 1/0.97 - 1 ≈ 3.1%

场景四：资产定价——GMM 估计消费 CAPM

现实背景：你是一个金融经济学家，想检验"高消费波动风险的资产应该有更高回报"。

代理人问题：资产如何定价？什么风险应该被补偿？

经济学理论：消费者是总体资产的持有者。资产定价应该反映其对消费风险的贡献。

数据：

• 资产超额收益 $R^e_{t+1}$ （多个资产）
• 消费增长 $\Delta c_{t+1}$
• 无风险利率 $r_f$

理论模型（Hansen-Singleton 1982）：

资产定价 Euler 方程：

对于超额收益：

结构参数

矩条件：每个资产给出一个条件，还可以用工具变量扩展：

过程略，这个简单……

这里 GMM 的优势：

• 多个资产可以联合估计
• 可以检验模型设定（过度识别检验）
• 不需要假设收益率的具体分布

方法三：模拟矩估计（SMM）

核心思想

类比：你想知道一个工厂的生产参数，但生产过程太复杂，无法直接观察。于是你建了一个"虚拟工厂"（模拟模型），调整虚拟工厂的参数，直到它生产的产品统计特征和真实工厂一样。

数学表达：

设真实数据的矩为 $\hat{m}^{data} = \frac{1}{N} \sum_{i=1}^{N} m(y_i^{data})$

模拟数据的矩为 $\hat{m}^{sim}(\theta) = \frac{1}{S} \sum_{s=1}^{S} m(y_s^{sim}(\theta))$

SMM 估计：

适用条件（条件反射触发器）

当你遇到以下情况时，想到 SMM：

1. ✅ 似然函数无法解析写出（涉及高维积分、复杂动态等）
2. ✅ 但模型可以模拟（给定参数能生成数据）
3. ✅ 有明确的目标矩可以匹配
4. ✅ 数据量足够支持多次模拟

场景五：劳动力市场搜索匹配模型

现实背景：你想研究失业保险对求职行为的影响。传统简约式回归只能告诉你"失业保险与失业时长正相关"，但无法回答"如果把保险金提高 10%，失业时长会增加多少？"

代理人问题：失业工人每期决定是否接受工作 offer。

模型架构（McCall 搜索模型）：

状态：工人的失业状态，面临的工资 offer 分布

决策：给定 offer $w$，接受或继续搜索？

数据：

• 失业时长 $T_i$
• 失业保险替代率 $b_i$（保险金/原工资）
• 个人特征 $X_i$（教育、年龄、行业）
• 再就业工资 $w_i$

模型设定（McCall 搜索模型）：

失业工人每期可以：

1. 接受当前工作 offer，获得工资 $w$，永久就业
2. 拒绝，继续搜索，获得失业保险 $b$

Bellman 方程：

其中 $V^E(w) = \frac{w}{1-\beta}$（假设接受后永久就业）

保留工资（关键变量）：使工人在接受和拒绝间无差异的工资

决策规则：如果 $w \geq w^*$，接受；否则拒绝。

失业时长分布：给定保留工资，失业工人每个月接受 offer 的概率为：

失业时长的累积分布函数 CDF：

即，失业时长服从几何分布。

结构参数

问题：给定参数 $(\beta, b, F(w))$，我们可以计算 $w^*$ 并模拟失业时长。但似然函数涉及复杂的积分，难以直接写出。

数据

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11

劳动力跟踪调查 LFS (2010-2023)
├─ 失业者子样本：失业者的详细信息
│  ├─ 何时开始失业 t_start
│  ├─ 何时找到工作 t_end（如果已就业）
│  ├─ 找到的工资 w
│  └─ 家庭背景：失业保险替代率 b/w_prev
│
└─ 就业者子样本：目前工作的人
   ├─ 当前工资 w
   ├─ 多久前找到这份工作
   └─ 接受工作前是否失业

关键识别思想：

失业保险改革提供了自然实验。

背景：2014 年中国调整失业保险（某些地区提高替代率）

识别逻辑：

• 受改革影响地区 A：替代率从 30% → 40%
• 不受影响地区 B：替代率保持 30%

如果我们观察到：

• 地区 A 的平均失业时长从 2 个月 → 2.5 个月
• 地区 B 的平均失业时长保持 2 个月

结论：失业保险替代率提高 0.1 个百分点 → 失业时长增加 0.5 个月

这是如何帮助我们识别 $\beta$ 的？

在模型中：

如果替代率提高导致保留工资上升幅度大 → $\beta$ 高（未来权重大）

在这个例子中，$b$ 增加 ¥300，$w^*$ 增加多少？

• 如果$w^*$增加 ¥300 → $\beta$ 接近 1（完全前向看）
• 如果$w^*$增加 ¥100 → $\beta$ 接近 0.67（更多后向看）

SMM 操作步骤：

第一步：选择要匹配的矩

这些矩应该对参数敏感且经济上有意义：

第二步：从真实数据计算这些矩

第三步：给定参数 $\theta = (\beta, \mu_w, \sigma_w)$，模拟模型

 1
 2
 3
 4
 5
 6
 7
 8
 9
10

初始化
β₀ ← 0.95      （年化贴现率5%）
μ₀ ← 8000      （平均月工资¥8000）
σ₀ ← 2000      （工资标差¥2000）

对每个模拟个体 s=1,...,S:
    1. 计算保留工资 w*
    2. 在每个月，从F(w)抽一个offer
    3. 如果 w >= w*，接受，记录失业时长
    4. 否则继续，直到接受或达到最大期数

第四步：从模拟数据计算矩

第五步：最小化距离

第六步：计算标准误

需要考虑模拟误差，标准误公式调整为：

其中 S 是模拟次数，$1/S$ 项是模拟噪声的校正。

第七步：敏感性分析

检查参数的识别强度：

1
2
3
4
5

固定 β = 0.93, 改变 μ 和 σ：
- 当 μ 从7000增到9000时，m_3^sim 如何变化？（应该线性增加）
- 当 σ 从1000增到3000时，m_2^sim 如何变化？（应该增加）

如果某个矩对某个参数不敏感 → 识别问题

陷阱与注意：

1. 模拟次数不够：S 太小会引入过多模拟误差。经验法则：S ≥ 10N
2. 目标函数不光滑：模拟引入的随机性可能导致优化困难
   • 解决：固定随机数种子、使用平滑模拟器
3. 矩的选择：
   • 太少：识别不充分
   • 太多：计算负担重，且可能过拟合模拟噪声
4. 矩对参数的敏感性：如果某个矩对所有参数都不敏感，它只会增加噪声

实用技巧：做"敏感性图"——固定其他参数，变化一个参数，看每个矩如何变化。这帮助你理解识别来源。

场景六：企业动态——进入、退出与投资（重点）

现实背景：产业政策制定者想知道：如果提高进入壁垒（如加大环保要求），对行业结构有什么长期影响？

代理人问题：一个企业每期决定投资多少，目标是最大化企业价值。

状态变量：

• 企业的资本存量 $K_t$
• 企业的生产率 $\phi_t$（随机波动）

决策变量：投资 $I_t$

值函数：

其中：

• $\pi(K_t, \phi_t) = \phi_t K_t^\alpha - w L_t$ 是当期利润（生产函数减工资）
• $C(I_t, K_t) = \frac{\psi}{2}(I_t/K_t)^2 K_t$ 是调整成本
• $K_{t+1} = (1-\delta) K_t + I_t$ 是资本演化

关键：调整成本参数 $\psi$

• $\psi = 0$：投资完全灵活（Jorgenson 模型）
• $\psi > 0$：投资成本（企业不能立刻改变资本）
• $\psi$ 越大，企业的投资行为越缓慢、越平滑

数据：

• 企业面板：资本 $K_{it}$、产出 $Y_{it}$、投资 $I_{it}$
• 进入退出记录
• 行业层面：企业数量、集中度

模型设定（Hopenhayn 型动态竞争模型）：

现有企业每期：

1. 观察生产率冲击 $\phi_{it}$
2. 决定投资 $I_{it}$，形成下期资本 $K_{i,t+1}$
3. 决定是否退出（如果价值 < 退出成本）

潜在进入者：

• 支付进入成本 $c_e$，抽取初始生产率
• 比较进入价值与成本

均衡条件：进入利润为零，市场出清。

结构参数

外部设定

某些参数来自外部数据或假设：

数据来源

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

工业企业数据库 (2003-2013)
├─ 企业面板数据：200万家企业
│  ├─ 资本存量 K_t（或有形资产）
│  ├─ 投资 I_t（固定资产增加额）
│  ├─ 产出 Y_t（营业收入）
│  ├─ 劳动力 L_t（员工数）
│  ├─ 行业 ind
│  └─ 年份 t
│
└─ 构造变量：
   ├─ 生产率 φ_t = Y_t / (K_t^α L_t^(1-α))（使用外部α）
   └─ 投资率 i_t = I_t / K_t

识别策略

最关键的识别：为什么 $\psi$ 能被识别？

在模型中，最优投资遵循"加速器"原理：

如果 $\psi$ 大，这个函数很平缓（投资变化缓慢）；如果 $\psi$ 小，函数很陡峭（投资快速反应）。

从数据看投资与生产率的协方差：

• 在高 $\psi$ 经济中，$\text{Cov}(\Delta I_t, \Delta \phi_t)$ 低（投资平滑）
• 在低 $\psi$ 经济中，$\text{Cov}(\Delta I_t, \Delta \phi_t)$ 高（投资灵活）

为什么 SMM：

• 涉及企业动态决策、进入退出、市场均衡
• 似然函数几乎不可能写出
• 但给定参数，可以模拟整个行业的演化

识别过程

第一步：定义要匹配的矩

1
2
3
4
5
6
7
8

从真实数据 (工业企业库) 计算：

m_1^data = E[投资率 i_t] = E[I_t / K_t]
m_2^data = SD[投资率]
m_3^data = Corr(投资率, 生产率)
m_4^data = Autocov[生产率, lag=1]
m_5^data = 企业生存概率
m_6^data = 企业规模分布的基尼系数（集中度）

这些矩对参数的敏感性：

关键：$m_2$ 和 $m_3$ 主要驱动 $\psi$ 的识别

匹配的矩：

• 企业规模分布（20 分位数、50 分位数、80 分位数）
• 年进入率、退出率
• 资本投资率的均值和方差
• 企业年龄与规模的关系

第二步：模拟企业动态

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15

初始化参数：β=0.95, α=0.3, δ=0.05, ψ, ρ, σ_φ

对 s = 1 to S 个企业（模拟）：
    初始化：K_s,0 = 1, φ_s,0 ~ N(0, σ_φ²/(1-ρ²))

    for t = 1 to T:
        计算最优投资 I_s,t（通过求解一阶条件）：
            μ·C'(I_s,t, K_s,t) = 1 - β·E[V_K(K_{s,t+1}, φ_{s,t+1})]
            （使用包络定理计算 V_K）

        更新：
            K_s,t+1 = (1-δ)K_s,t + I_s,t
            φ_s,t+1 = ρ·φ_s,t + ε_s,t+1, ε ~ N(0, σ_φ²)

        记录：投资率 i_s,t = I_s,t / K_s,t

第三步：计算模拟矩

1
2
3
4

m_1^sim = (1/ST) Σ_s Σ_t i_s,t
m_2^sim = SD of simulated i_s,t across s,t
m_3^sim = Corr(i_s,t, φ_s,t)
...

第四步：目标函数

方法四：间接推断（Indirect Inference）（重点）

核心思想

类比：你想估计一个人的性格参数（内向/外向程度），但没法直接测量。于是你设计了一个简单的"社交测试"（辅助模型）：记录他在 party 上和多少人说话。

1. 用真实数据跑一遍这个测试，得到结果 $\hat{\beta}^{data}$
2. 模拟不同性格参数的人去 party，跑同样的测试，得到 $\hat{\beta}^{sim}(\theta)$
3. 找到让 $\hat{\beta}^{sim}(\theta) = \hat{\beta}^{data}$ 的性格参数

数学表达：

设辅助模型为 $A(y, \beta)$，真实数据得到 $\hat{\beta}^{data}$，模拟数据得到 $\hat{\beta}^{sim}(\theta)$：

与 SMM 的区别

适用条件（条件反射触发器）

当你遇到以下情况时，想到间接推断：

1. ✅ 结构模型复杂，但存在自然的简化描述方式
2. ✅ 辅助模型估计快速稳定
3. ✅ 辅助模型能捕捉数据的关键特征
4. ✅ 想让估计对模型某些设定不敏感

场景七：宏观 DSGE 模型估计

现实背景：央行想用一个动态随机一般均衡（DSGE）模型来分析货币政策效果。

三方程新凯恩斯（NK）DSGE 模型：

IS 曲线（产出方程）：

菲利普斯曲线（通胀方程）：

泰勒规则（政策方程）：

其中：

• $\tilde{y}_t$ = 产出缺口（产出与潜在产出之差）
• $\pi_t$ = 通胀率
• $i_t$ = 名义利率
• $r^n_t$ = 自然利率（对数形式的冲击）
• $u_t$ = 各类冲击（需求、供给、政策）

问题：

• DSGE 模型有几十个方程、几十个参数
• 直接 MLE 需要求解状态空间形式，计算 Kalman 滤波
• 模型可能误设，直接 MLE 会把误设"硬拟合"到数据

结构参数

间接推断思路：

辅助模型：向量自回归 VAR(p)

其中 $Y_t$ 包括产出增长、通胀、利率等宏观变量。

步骤：

1. 选择辅助模型 真实数据 → 估计 VAR → 得到 $\hat{A}^{data}$（脉冲响应函数）采用向量自回归（VAR）：

   $$Y_t = A_1 Y_{t-1} + A_2 Y_{t-2} + \varepsilon_t$$

   其中 $Y_t = (\tilde{y}_t, \pi_t, i_t)'$，假设 VAR(2)。用 OLS 估计 $\hat{A}_1^{data}, \hat{A}_2^{data}$，计算脉冲响应函数（IRF）。脉冲响应函数：如果通胀冲击+1%，接下来 4 个季度产出如何变化？

   • $\text{IRF}_{y,\pi}(0) = 0$（当期不反应，因为有粘性）
   • $\text{IRF}_{y,\pi}(1) = 0.3\%$（1 期后产出增加 0.3%）
   • …
   • $\text{IRF}_{y,\pi}(8) = -0.2\%$（8 期后产出转为负）

2. DSGE 模型 → 给定结构参数 $\theta$，求解模型 → 模拟数据 → 估计 VAR → 得到 $\hat{A}^{sim}(\theta)$

   1 2 3 4 5 6 7 8 9 10 11

   1. 用perturbation方法求解模型 → 得到状态空间：Y_t = f(Y_{t-1}, ε_t; θ) 2. 模拟T个时期的数据 Y_t^sim(θ) for t=1,...,T 3. 对模拟数据估计相同的VAR → 得到 Â_1^sim(θ), Â_2^sim(θ) 4. 计算模拟的脉冲响应函数 IRF^sim(θ)

3. 匹配：找 $\theta$ 使得 $\hat{A}^{sim}(\theta) \approx \hat{A}^{data}$

为什么用 VAR 作为辅助模型：

• VAR 估计简单快速
• VAR 的脉冲响应函数是政策分析的核心
• 即使 DSGE 有误设，我们仍能匹配 VAR 揭示的动态特征

“有限信息"视角：间接推断只要求模型能复制辅助模型捕捉的特征，而非完美拟合所有数据。

场景八：离散选择动态规划——如何简化复杂问题

现实背景：你研究女性的劳动参与决策，这是一个动态问题（今天工作会影响未来人力资本）。

结构模型：复杂的动态规划问题

辅助模型：简化的 probit/logit 模型

匹配的参数：

• $\gamma_1$：孩子对劳动参与的影响
• $\gamma_3$：状态依赖（上期工作对本期的影响）

好处：即使结构模型复杂，辅助模型仍能快速估计。

方法五：CCP 两步法（条件选择概率法）

核心思想

类比：想象你在观察一个棋手下棋。第一步，你统计他在各种局面下的实际走法概率（条件选择概率）。第二步，你用这些概率反推他的评估函数——他认为哪些局面更有价值。

核心洞见（Hotz-Miller 反演）：在离散选择动态规划中，选择概率和价值函数有一一对应关系：

（假设误差服从极值分布）

这意味着：如果我们知道选择概率，就知道了价值函数的差异，不需要解完整的动态规划！

适用条件（条件反射触发器）

当你遇到以下情况时，想到 CCP 两步法：

1. ✅ 离散选择动态规划模型
2. ✅ 选择集有限且可观测
3. ✅ 状态空间可以离散化或较小
4. ✅ 有足够数据估计条件选择概率
5. ✅ 标准嵌套固定点方法太慢

场景九：公交车引擎更换决策（Rust 1987 的经典例子）

现实背景：公交公司的经理要决定何时更换老旧引擎。更换太早浪费钱，太晚会抛锚。

状态变量：引擎累计里程 $x_t$

选择：$d_t \in \{0: 继续用, 1: 更换\}$

即时收益：

• 继续用：$u(x_t, 0) = -c(x_t)$（维护成本，随里程增加）
• 更换：$u(x_t, 1) = -RC + \varepsilon$（固定更换成本）

状态转移：

• 如果不更换：$x_{t+1} = x_t + \Delta x$（里程增加）
• 如果更换：$x_{t+1} = 0$（里程归零）

Bellman 方程：

传统方法（嵌套固定点）的问题：

1. 每次评估似然，都要解一遍动态规划
2. 如果状态空间大，计算量爆炸

CCP 两步法操作：

第一步：非参数估计条件选择概率

对每个里程区间 $x$，计算更换的经验概率：

第二步：利用 Hotz-Miller 反演估计结构参数

选择概率与选择特定价值函数的关系：

利用极值分布的性质：

其中 $\gamma$ 是 Euler 常数。

关键公式（Hotz-Miller 引理）：

因此：

代入 $u$ 的函数形式，可以直接估计结构参数 $(\theta, RC)$。

实践中的技巧：

• 平滑选择概率：如果某些状态观测很少，$\hat{P}$ 会很不稳定。可以用参数模型（如 logit）平滑。
• 前向模拟：用估计的选择概率模拟未来路径，计算延续价值。
• 迭代 CCP：用估计的参数更新选择概率，再重新估计（Aguirregabiria & Mira）。

陷阱：

• 第一步概率估计偏差会传导到第二步
• 状态空间太大时，仍然有计算困难

场景十：动态产业组织——企业进入退出

现实背景：你研究电商平台上商家的进入和退出决策。

状态变量：

• 企业自身特征：经验 $e_{it}$、规模 $s_{it}$
• 市场状态：竞争对手数量 $n_t$、总需求 $D_t$

选择：$d_{it} \in \{退出, 留下\}$（现有企业）；$a_t \in \{进入, 不进入\}$（潜在进入者）

CCP 方法优势：

• 市场上可能有上百家企业同时决策
• 传统方法需要计算所有可能的企业组合——维数诅咒
• CCP 方法只需估计"一般企业"的选择概率

具体应用（Bajari, Benkard, Levin 2007）：

1. 估计单个企业的选择概率 $\hat{P}(d|s)$
2. 用这些概率模拟行业演化
3. 匹配模拟与真实数据的动态特征

方法六：贝叶斯估计

核心思想

类比：你是一个医生，要诊断病人是否得了某种罕见病。

• 先验：人群中只有 0.1%的人得这种病（$P(病) = 0.001$）
• 数据：病人检测呈阳性（假设检测准确率 90%）
• 后验：综合先验和数据，更新对"病人真的得病"的信念

注意：即使检测阳性，得病概率也只有 0.9%！这就是贝叶斯思维的力量。

数学表达（贝叶斯定理）：

• $p(\theta)$：先验分布——估计前对参数的信念
• $p(Y|\theta)$：似然函数——给定参数，数据出现的概率
• $p(\theta|Y)$：后验分布——看到数据后，对参数的更新信念

适用条件（条件反射触发器）

当你遇到以下情况时，想到贝叶斯：

1. ✅ 有合理的先验信息（来自前人研究、专家意见、理论约束）
2. ✅ 样本量较小，纯粹依赖数据不稳定
3. ✅ 想量化参数的不确定性（不只要点估计）
4. ✅ 模型比较和选择是重要目标
5. ✅ 参数有自然约束（如必须为正、在某区间内）

场景十一：DSGE 模型的贝叶斯估计

现实背景：你要估计一个新凯恩斯 DSGE 模型来分析货币政策。

模型（简化版三方程 NK 模型）：

IS 曲线：

菲利普斯曲线：

泰勒规则：

待估计参数：$\theta = (\beta, \sigma, \kappa, \rho_i, \phi_\pi, \phi_y, ...)$

为什么用贝叶斯：

1. 参数多：典型 DSGE 有 20-50 个参数，纯 MLE 可能不稳定
2. 有先验知识：$\beta$ 应该在 0.99 左右，$\phi_\pi > 1$（泰勒原则）
3. 政策分析需要不确定性量化：政策建议应该考虑参数不确定性

先验设定示例：

操作步骤：

第一步：状态空间表示

将 DSGE 模型写成状态空间形式：

第二步：计算似然（卡尔曼滤波）

给定参数 $\theta$ 和数据 $\{y_t\}$，用卡尔曼滤波计算似然 $p(Y|\theta)$。

第三步：后验抽样（MCMC）

使用 Metropolis-Hastings 算法或其变体：

1
2
3
4
5
6
7

初始化：θ⁰
对于 m = 1, 2, ..., M:
    1. 从提议分布抽取候选值 θ* ~ q(θ*|θᵐ⁻¹)
    2. 计算接受概率
       α = min{1, [p(Y|θ*)p(θ*)] / [p(Y|θᵐ⁻¹)p(θᵐ⁻¹)] × q(θᵐ⁻¹|θ*)/q(θ*|θᵐ⁻¹)}
    3. 以概率 α 接受：θᵐ = θ*
       否则：θᵐ = θᵐ⁻¹

第四步：后验分析

• 后验均值、中位数作为点估计
• 后验分位数作为可信区间
• 参数的联合后验用于分析参数间关系

模型比较：贝叶斯方法可以自然地比较模型

这自动实现了"奥卡姆剃刀”——在拟合和复杂度间权衡。

场景十二：面板数据中的个体异质性

现实背景：你研究企业创新投入，认为不同企业有不同的"创新偏好"，但这个偏好不可直接观测。

分层模型：

贝叶斯方法的优势：

1. 自然处理随机效应
2. 可以估计 $\sigma_\alpha$（企业间异质性程度）
3. 可以"借力"——数据少的企业借助整体信息

后验预测：对于观测少的企业，其 $\alpha_i$ 的后验会向总体均值 $\mu_\alpha$ “收缩”——这是贝叶斯估计的自动正则化。

第三部分：选择方法的"决策树"

现在让我们把所有方法整合成一个决策流程图：

 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
31
32

开始：我有一个结构模型，需要估计参数
    │
    ▼
【问题1】能否写出解析的似然函数？
    │
    ├──→ 是 ──→ 【问题2】样本量是否足够大？
    │               │
    │               ├──→ 是 ──→ 使用 MLE ✓
    │               │
    │               └──→ 否，且有先验信息 ──→ 使用贝叶斯 ✓
    │
    └──→ 否 ──→ 【问题3】模型是否可以模拟？
                    │
                    ├──→ 否 ──→ 需要简化模型
                    │
                    └──→ 是 ──→ 【问题4】是否是离散选择动态规划？
                                    │
                                    ├──→ 是 ──→ 【问题5】状态空间大小
                                    │               │
                                    │               ├──→ 较小 ──→ CCP两步法 ✓
                                    │               │
                                    │               └──→ 较大 ──→ 考虑近似方法
                                    │
                                    └──→ 否 ──→ 【问题6】有自然的矩条件吗？
                                                    │
                                                    ├──→ 是，来自Euler方程等 ──→ GMM ✓
                                                    │
                                                    └──→ 否 ──→ 【问题7】有自然的辅助模型吗？
                                                                    │
                                                                    ├──→ 是 ──→ 间接推断 ✓
                                                                    │
                                                                    └──→ 否 ──→ SMM ✓

第四部分：建立"条件反射"的速记口诀

为了帮你在面对具体问题时快速反应，这里提供一套"条件反射"口诀：

MLE 口诀

“分布全知道，似然能写好”

触发条件：

• 看到 Probit/Logit/Tobit 等经典模型
• 看到"假设误差服从 XX 分布"
• 数据相对干净，模型相对简单

GMM 口诀

“分布不确定，矩条件撑门面”

触发条件：

• 看到 Euler 方程、资产定价方程、正交条件
• 看到工具变量、滞后变量作为排除限制
• 担心分布误设，想要稳健估计

SMM 口诀

“似然写不出，模拟来帮助”

触发条件：

• 模型有复杂的积分、期望
• 模型有异质性代理人、不完全市场
• 可以模拟但无法解析求解

间接推断口诀

“结构太复杂，简约来搭桥”

触发条件：

• 有自然的降维工具（如 VAR、回归）
• 关心的是可以被简化模型捕捉的特征
• 想对模型误设有一定稳健性

CCP 口诀

“动态离散选，概率先估完”

触发条件：

• 动态离散选择问题
• 状态可观测、选择集有限
• 嵌套固定点方法太慢

贝叶斯口诀

“先验有话说，后验来融合”

触发条件：

• 有明确的先验信息
• 样本较小
• 需要完整的后验分布
• 要做模型比较

第五部分：常见陷阱与诊断方法

陷阱一：识别问题

症状：估计结果对初始值敏感，标准误巨大，参数怪异

诊断：

• 画参数的 profile likelihood/目标函数图
• 做敏感性分析
• 检查 Hessian 矩阵是否接近奇异

解决：

• 增加数据变异
• 固定部分参数
• 添加约束或先验

陷阱二：计算问题

症状：优化不收敛，不同算法给出不同结果

诊断：

• 检查目标函数是否光滑
• 打印迭代过程
• 尝试多个起始点

解决：

• 对 SMM：固定随机种子，增加模拟次数
• 使用更稳健的优化算法
• 重参数化（如估计 log(σ)而非 σ）

陷阱三：误设问题

症状：拟合看起来好，但反事实预测不合理

诊断：

• 过度识别检验（GMM 的 J 检验）
• 样本外验证
• 检查模型隐含的其他矩

解决：

• 放松假设
• 使用更稳健的方法（如间接推断）
• 明确报告模型局限

第六部分：一个完整示例

让我们用一个完整的例子把所有内容串起来：

研究问题：大学生专业选择

现实意义：教育部想知道如何通过信息政策影响学生选专业

数据：

• 高考成绩、家庭背景、高中所在地
• 选择的专业（理工/商科/人文）
• 毕业后收入（只观察已毕业的）

模型：学生最大化期望效用

挑战：

1. 收入只对毕业生观察，存在选择偏差
2. 学生的"能力"不可直接观测
3. 专业"难度"与"收益"可能相关

选择方法的思考过程：

最终选择：MLE + 控制函数法处理选择偏差

这只是一个思考框架，实际选择取决于具体细节和研究者偏好。

第七部分：进阶阅读路线图

如果你想深入学习，这是推荐的路线：

入门：

• Kenneth Train, Discrete Choice Methods with Simulation
• Cameron & Trivedi, Microeconometrics

GMM：

• Hansen (1982), Econometrica
• Hayashi, Econometrics, Chapter 3

SMM/间接推断：

• McFadden (1989), Econometrica
• Gourieroux, Monfort & Renault (1993)

CCP：

• Hotz & Miller (1993), Review of Economic Studies
• Aguirregabiria & Mira (2010), Journal of Econometrics (综述)

贝叶斯：

• An & Schorfheide (2007), Econometric Reviews（DSGE 应用）
• Geweke, Contemporary Bayesian Econometrics

结语：从"知道"到"会用"的最后一步

最重要的建议：动手做一遍。

选择一个你熟悉的经济问题，先用最简单的方法（如 MLE）实现一遍，再尝试用另一种方法（如 SMM）重新做。比较结果，理解差异。

记住：没有"最好的"方法，只有"最适合的"方法。好的结构估计者，是能够根据问题的特点、数据的局限、计算的可行性，灵活选择和组合方法的人。

现在，你已经有了完整的地图。剩下的，就是开始你的探索之旅了。

祝研究顺利！

找矩的"直觉和技巧"

6.1 常见的"矩的来源"

 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
31
32
33
34
35
36
37
38
39
40
41
42

【来源1：数据性质】
数据告诉你的是什么？

例1：选择数据（y=0或1）
     →自然的矩：E[y - P(θ)] = 0
     或E[X(y - P(θ))] = 0

例2：市场份额数据
     →自然的矩：E[s - s_predicted(θ)] = 0
     或E[Z(δ - X'θ)] = 0

例3：连续数据（如销售额）
     →自然的矩：E[Y - f(X,θ)] = 0
     或E[X(Y - f(X,θ))] = 0

【来源2：经济理论】
理论告诉你什么应该为零？

例1：企业利润最大化
     →一阶条件：∂π/∂P = 0
     →矩：E[∂π/∂P] = 0

例2：消费者效用最大化
     →预算约束：P·Q ≤ 收入
     →拉格朗日乘数：E[λ(∂π/∂P)] = 0

例3：均衡条件
     →供给=需求
     →矩：E[供给 - 需求] = 0

【来源3：假设】
你假设了什么关于误差和变量的关系？

常见假设：
  ① 外生性：E[X·ε] = 0
  ② 工具变量：E[Z·ε] = 0
  ③ 正交性：E[特征·ε] = 0
  ④ 平衡：E[选择] = E[概率]
  ⑤ 无偏：E[ε] = 0
  ⑥ 不相关：E[ε·ε'] = σ²I

每个假设都对应一个矩条件！

6.2 “矩很多"但"参数很少"怎么办？

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15

情况：你有5个矩条件但只有2个参数

GMM的解决方案：
最小化 m'W m（加权矩的范数）

步骤：
1. 计算所有矩：m₁, m₂, m₃, m₄, m₅
2. 选择权重矩阵W（通常是协方差的逆）
3. 求参数最小化 [m₁, m₂, m₃, m₄, m₅]' W [m₁, m₂, m₃, m₄, m₅]
4. 做过度识别检验（Sargan）检查W是否适当

优点：
✓ 用了所有信息
✓ 参数估计更精确
✓ 可以检验假设（Sargan检验）

6.3 “矩很少"但"参数很多"怎么办？

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

情况：你有1个矩条件但有3个参数
      （欠识别）

问题：无法估计所有参数

解决方案：
1. 寻找额外的矩条件
   - 是否遗漏了什么数据？
   - 是否遗漏了什么模型约束？

2. 加入先验信息
   - 贝叶斯方法：加入参数的先验分布
   - 校准：固定某些参数，只估计其他的

3. 简化模型
   - 删除参数
   - 加入参数约束

技巧：数据提示你是否足够识别
  如果不同样本下估计的参数差异很大
  →参数可能欠识别

6.4 如何检查你找的矩条件是否正确？

 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
31
32
33
34
35
36
37
38
39
40
41
42
43
44

检查清单：

□ 1. 基本检查
  在真实参数处，矩是否为0？
  m(θ_true) ≈ 0

  代码：
  m_check = moment_condition(theta_true, data)
  print(m_check)  # 应该都<0.01

□ 2. 梯度检查
  矩对参数的导数是否正确？
  数值导数 ≈ 解析导数

  代码：
  dm_numerical = (moment(theta+eps) - moment(theta-eps)) / (2*eps)
  dm_analytical = jacobian(moment)(theta)
  assert np.allclose(dm_numerical, dm_analytical)

□ 3. 估计收敛检查
  用模拟数据估计，能恢复真实参数吗？

  代码：
  data_sim = generate_data(theta_true, 10000)
  theta_est = estimate(data_sim)
  assert np.allclose(theta_est, theta_true, rtol=0.05)

□ 4. 尺寸合理性检查
  矩条件的量纲是否一致？
  例：E[X·ε] 的单位应该是 X和ε的乘积单位

□ 5. 经济学直觉检查
  矩的正负符号是否符合经济学预期？
  例：折扣增加，销售应该增加
      → 如果矩显示相反，有问题

□ 6. 敏感性检查
  改变数据，矩条件是否稳定？

  代码：
  m_full = moment_condition(theta, full_data)
  m_subsample = moment_condition(theta, subsample_data)
  ratio = m_subsample / m_full
  assert 0.8 < ratio < 1.2  # 不应该差太多

实战速查表

这是你最后应该反复看的表格：

7.1 按问题类型的矩条件速查表

 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

╔══════════════════════╦════════════════════════════╦═══════════════════╗
║ 问题类型             ║ 矩条件                     ║ 关键假设          ║
╠══════════════════════╬════════════════════════════╬═══════════════════╣
║ 线性回归             ║ m(β)=E[X(Y-X'β)]           ║ E[Xε]=0           ║
║ (外生X)              ║                            ║                   ║
╠══════════════════════╬════════════════════════════╬═══════════════════╣
║ IV估计               ║ m(β)=E[Z(Y-X'β)]           ║ E[Zε]=0           ║
║ (内生X)              ║                            ║ Z与X相关          ║
╠══════════════════════╬════════════════════════════╬═══════════════════╣
║ Logit选择            ║ m(β)=E[X(y-P(β))]          ║ 似然正确指定      ║
║ (个体选择)           ║                            ║                   ║
╠══════════════════════╬════════════════════════════╬═══════════════════╣
║ BLP市场份额          ║ m(β)=E[Z(δ(s)-X'β)]        ║ Z与ξ无关         ║
║ (聚合数据)           ║                            ║ δ反演正确        ║
╠══════════════════════╬════════════════════════════╬═══════════════════╣
║ 固定效应面板         ║ m(β)=E[ΔX(ΔY-ΔX'β)]        ║ E[ΔXΔε]=0        ║
║ (无动态)             ║                            ║                   ║
╠══════════════════════╬════════════════════════════╬═══════════════════╣
║ 动态面板(AB)         ║ m(β)=E[Y_{t-2}ΔY-...]      ║ E[Y_{t-2}Δε]=0    ║
║ (有滞后项)           ║                            ║ 无序列相关        ║
╠══════════════════════╬════════════════════════════╬═══════════════════╣
║ 工具变量选择         ║ m(β)=E[Z'(δ(s)-X'β)]       ║ Z外生             ║
║ (处理内生性)         ║                            ║ Z与X强相关        ║
╠══════════════════════╬════════════════════════════╬═══════════════════╣
║ 分位数回归           ║ m(β)=E[X·1{y<X'β}·sign]   ║ 分位数定义        ║
║                      ║                            ║ 成立              ║
╠══════════════════════╬════════════════════════════╬═══════════════════╣
║ 样本选择修正         ║ m(β)=E[X(Y-X'β-ρλ)]        ║ 选择机制模型      ║
║ (Heckman)            ║                            ║ 正确              ║
╚══════════════════════╩════════════════════════════╩═══════════════════╝

7.2 按数据维度的矩条件速查表

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

┌─────────────────┬──────────────────────────┐
│ 数据结构        │ 推荐矩条件               │
├─────────────────┼──────────────────────────┤
│ 截面（N）      │ 标准：E[X·ε]=0           │
│ 单个Y，多个X    │ IV：E[Z·ε]=0             │
│                 │ 非线性：E[X(Y-f)]=0      │
├─────────────────┼──────────────────────────┤
│ 面板（N×T）     │ FE差分：E[ΔX·Δε]=0       │
│ 同一单位多期    │ AB动态：E[Y_lag·Δε]=0    │
│                 │ 随机效应：E[X(Y-f)]=0    │
├─────────────────┼──────────────────────────┤
│ 市场（J×T）     │ BLP：E[Z(δ-X'β)]=0       │
│ 产品×时间       │ 简单矩：E[s-s_pred]=0    │
│ 聚合份额        │                          │
├─────────────────┼──────────────────────────┤
│ 分层（clusters）│ 加聚类标准误              │
│                 │ 矩条件本身不变            │
│                 │ 但Var()需要调整           │
├─────────────────┼──────────────────────────┤
│ 不平衡面板      │ 用不缺失的观测           │
│ (某些缺失)      │ 矩条件不变                │
│                 │ 但样本数(n)动态变化      │
└─────────────────┴──────────────────────────┘

7.3 按参数类型的矩条件速查表

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

┌──────────────────┬──────────────────────────┬─────────┐
│ 参数类型         │ 典型矩条件               │ 难度    │
├──────────────────┼──────────────────────────┼─────────┤
│ 线性系数(β)      │ E[X(Y-X'β)]=0            │ ★☆☆☆☆ │
│ 如：价格、收入   │                          │         │
├──────────────────┼──────────────────────────┼─────────┤
│ 非线性(β)        │ E[∂logL/∂β]=0            │ ★★☆☆☆ │
│ 如：Logit系数    │ 或 E[X(y-P(β))]=0        │         │
├──────────────────┼──────────────────────────┼─────────┤
│ 方差/异质性(σ)   │ E[X²·ε²-σ²]=0            │ ★★★☆☆ │
│ 消费者异质性     │ 或用协方差矩估计          │         │
├──────────────────┼──────────────────────────┼─────────┤
│ 固定效应(α)      │ α可以直接移除(FE)         │ ★☆☆☆☆ │
│                  │ 不需要单独估计            │         │
├──────────────────┼──────────────────────────┼─────────┤
│ 质量参数(ξ)      │ ξ=δ(s)-X'β (直接反演)   │ ★★☆☆☆ │
│ BLP不可观测特征  │ 不需要矩条件              │         │
├──────────────────┼──────────────────────────┼─────────┤
│ 成本参数(MC)     │ MC=P-s/ε (直接反演)      │ ★☆☆☆☆ │
│ 从定价推断       │ 从FOC推导                 │         │
├──────────────────┼──────────────────────────┼─────────┤
│ 动态参数(γ)      │ E[Y_lag(ΔY-γΔY_lag...)]=0│ ★★★★☆ │
│ 如：习惯效应     │ 使用Arellano-Bond         │         │
└──────────────────┴──────────────────────────┴─────────┘