动态优化 on 欢迎光临寒舍

A Structural Analysis of Mental Health and Labour Market Trajectories

Mon, 05 Jan 2026 00:00:00 +0000

文献深度解构：A Structural Analysis of Mental Health and Labour Market Trajectories

导语： 你好。作为你的导师，我非常高兴看到你选择了 Jolivet 和 Postel-Vinay (2025) 这篇文章。这是一篇非常典型的、通过结构模型将两个传统上分离的领域——劳动经济学（Search and Matching）与健康经济学（Mental Health）——结合起来的佳作。

阅读这篇论文的挑战不在于看懂它的结论，而在于理解它是如何将一个模糊的直觉（“工作压力大伤身体，身体不好难找工作”）转化为一个可识别、可估计的数学系统的。我们将通过“逆向工程”的方法，拆解它的骨架。

1. 理论动机与直觉 (Theoretical Motivation & Intuition)

1.1 核心经济学权衡 (The Core Trade-off)

这篇文章试图捕捉的核心权衡是：“职业发展与心理健康折旧之间的博弈”。在传统的搜寻模型（Job Ladder Model）中，工人总是向往高薪工作。但现实中，高薪往往伴随着高压力（Job Stress）。工人面临着动态权衡：

向上攀爬（Climbing Up）： 接受高压力工作换取高薪。
健康成本（Health Cost）： 高压力会加速心理健康的“折旧”（Depreciation）。
反馈效应（Feedback Loop）： 一旦健康受损，工作的负效用（Disutility of Work）会急剧增加，迫使工人退出劳动力市场或接受低薪低压工作（Falling off the ladder）。

1.2 建模缺口 (Modeling Gap)

为什么作者要引入这个特定的模型？现有的文献存在两个断层：

劳动文献的盲区： 传统的 Job Search 模型通常假设健康是外生的，或者只影响生产率。它们忽略了**工作本身的非货币属性（如压力）**对工人未来状态（健康）的内生影响。
健康文献的盲区： 现有的健康经济学模型（如 Grossman 模型的发展版）虽然讨论健康存量，但往往忽略了劳动力市场的摩擦（Frictions）。在这些模型中，如果健康变差，工人可以立刻无摩擦地换到一个轻松的工作。但现实是，搜寻摩擦（Search Frictions）使得工人可能被“困在”一个高压力工作中无法脱身，从而加剧健康恶化。

作者的创新点（The “Twist”）： 将“心理健康”建模为一个状态变量（State Variable），将“工作压力”建模为一个工作属性（Job Attribute），并将两者放入一个带有摩擦的生命周期搜寻模型中。

1.3 直觉叙述 (Intuitive Narrative)

想象一个工人在职业阶梯上攀爬。

他收到一份 Offer，工资很高，但 O*NET 数据显示这工作压力极大（比如投行分析师）。
他接受了。初期，高工资带来了高效用。
但随着时间推移（动态过程），高压力环境增加了他心理健康恶化的概率（转移概率矩阵发生变化）。
几年后，如果不幸遭遇健康冲击（Shock），他的“工作痛苦感”急剧上升。
此时，由于搜寻摩擦，他不能立刻找到一个“钱少事少”的工作。他面临选择：要么硬撑（继续损害健康），要么辞职失业（彻底失去收入）。
这种机制解释了为什么我们观察到心理健康差的人往往就业率低、或者收入低——这不仅是选择效应，更是路径依赖的结果。

2. 模型解剖 (Model Anatomy)

让我们剥去繁复的文字，看清模型的数学骨架。

2.1 状态空间 (State Space)

模型中的每一个决策主体（工人）由三组变量定义：

变量类别	符号	变量名	类型	说明
异质性	$x$	个体类型	静态 (Time-invariant)	代表不可观测的能力、抗压天赋。这是结构估计必须控制的“体质”。
时间状态	$t$	年龄	动态 (State Variable)	生命周期的进度条。影响健康自然折旧和退休预期。
健康状态	$h$	心理健康	动态 (State Variable)	离散变量：$h \in \{Good, Average, Poor, Severe\}$。是前一期工作压力的结果。
工作状态	$y$	工作属性	动态 (Job Attribute)	包含工资 $w$、工时 $l$、压力 $s$。$y=\emptyset$ 代表失业。

2.2 价值函数与决策 (Bellman Equations)

工人的决策由价值函数驱动。以就业者为例，其价值 $V(x,t,h,y)$ 包含两部分：

$$V(\cdot) = \underbrace{w - c(l,s,t,h)}_{\text{Current Utility}} + \beta \underbrace{E[\text{Continuation Value}]}_{\text{Future Value}}$$

瞬时效用： 工资 $w$ 带来正效用，但付出劳动有成本 $c(\cdot)$。
- 关键设定： $c(l,s,t,h)$ 是 $s$（压力）和 $h$（健康）的函数。Cross-derivative $\frac{\partial^2 c}{\partial s \partial h} > 0$ 意味着：健康越差，做高压力工作就越痛苦。这是驱动模型机制的核心参数。
期权价值（Continuation Value）： 工人考虑到明天健康可能会变差（取决于今天的 $s$），也可能收到新的工作 Offer（取决于 $\lambda$）。

2.3 搜寻与摩擦 (Frictions & Offers)

Offer Arrival ($\lambda_0, \lambda_1$)：工作不是想换就换的。
Offer Distribution： 工人收到的新工作，$s'$ 是怎么决定的？作者在这里做了一个Reduced-form 的状态依赖设定：在职搜寻时，你更容易收到与你当前工作压力相似的 Offer。这捕捉了职业的分割性（Segmentation）。

3. 推导复现与教学 (Derivation & Solution Method)

这是对博士生来说最关键的部分。你需要搞清楚作者是如何从数据中把那些看不见的参数“挖”出来的。作者采用了一个三步估计算法 (Three-Step Estimation Procedure)。

3.0 估计策略总览 (Strategy Overview)

步骤	任务目标	核心方法	处理的参数 ($\theta$)	为什么这样分？
Step 1	个体分类	Conditional K-means	异质性类型 $x$	需同时处理“分类”和“年龄效应”。
Step 2	物理法则	Ordered Logit / OLS	健康演变 $\eta$、工资方程 $\beta$	控制 $x$ 后，这些过程就变成可直接观测的统计规律，无需解模型。
Step 3	行为推断	Indirect Inference (SMM)	偏好 $\kappa$、摩擦 $\lambda$	这些是深层行为参数，看不见摸不着，必须通过模型模拟来反推。

第一步：剥离个体异质性 (Estimation of Unobserved Heterogeneity)

这是你追问的核心。这里的难点在于：如果直接对所有数据做平均然后聚类，会混淆“类型效应”和“年龄效应”。

问题场景： 一个 Type 1（高能力）的 25 岁年轻人，工资可能和 Type 2（低能力）的 45 岁老员工一样高。如果只看平均工资，K-means 会把他们分到一组。

具体操作步骤：

构造个体矩向量 ($m_i$)：对于每一个工人 $i$，计算他在观测期内的平均值。$m_i$ 是一个包含 5 个元素的向量：
- 平均对数工资 (Average Log Wage)
- 平均工作压力 (Average Job Stress)
- 健康状态为 “Poor” 的时间比例
- 健康状态为 “Average” 的时间比例
- 健康状态为 “Good” 的时间比例
设定含年龄修正的目标函数： 作者修改了标准的 K-means 目标函数。不是寻找固定的中心点 $\mu_k$，而是寻找随年龄变化的中心曲线 $g_k(Age)$。
$$\min_{x_1,...,x_N, g} \sum_{i=1}^{N} \| m_{i} - \mathbf{g(x_{i}, T_i^0)} \|^{2}$$
- $T_i^0$：工人 $i$ 第一次被观测时的年龄（Cohort）。
- $g(k, T)$：第 $k$ 类工人在年龄 $T$ 时的预期表现。作者将其设定为 $T$ 的二次多项式：
  $$g(k, T) = \gamma_{k,0} + \gamma_{k,1} T + \gamma_{k,2} T^2$$
迭代算法求解 (Iterative Solution)： 计算机是如何解出这个 $\min$ 问题的？通过类似 EM 算法的迭代：
- E-step (分配)： 给定当前的年龄曲线 $g(\cdot)$，把每个工人 $i$ 分配到离他最近的那条曲线所属的类别 $k$。
- M-step (更新)： 给定每个人的分类 $k$，对每一类 $k$ 的数据跑回归，更新年龄曲线 $g(k, T)$ 的参数 $\gamma$。
- 重复直到收敛。

结论： 这一步不仅给每个人打上了标签 $x_i \in \{1,2,3,4\}$，还顺便剔除了由于这群人处于不同生命周期阶段而产生的偏差。

第二步：估计健康动态与工资方程 (Estimation of Health & Wage Processes)

这一步的参数可以直接从数据中通过最大似然（MLE）或 OLS 得到，不需要求解复杂的动态规划模型。

Q: 估计哪些参数？结合哪些公式？

1. 健康动态参数 ($\eta, \tau$)

核心公式 (Eq 4 & 5)： 健康演变被建模为一个 Ordered Logit 过程。
$$Pr(h' \le \text{Poor}) = \Lambda(\tau_{P} + \tau(y,x,t,h))$$
其中潜变量阈值函数 $\tau(\cdot)$ 是我们需要估计的核心：
$$\tau(y,x,t,h) = \eta^{(t)} t + \eta^{(w)} w + \mathbf{\eta^{(s)} s} + I_l \eta^{(l)} + I_h \eta^{(h)} + I_x \eta^{(x)}$$
参数含义：
- $\eta^{(s)}$：这是关键参数！它衡量了工作压力 $s$ 对下一年健康恶化的因果效应。如果 $\eta^{(s)} > 0$，说明压力越大，健康越容易恶化。
- $\eta^{(w)}$：工资对健康的保护作用。

2. 工资 Offer 参数 ($\beta$)

核心公式 (Eq 6)： 工资方程（Wage Equation）：
$$\log w = \beta^{(0)} + \beta^{(x)} + (I_x \times s) \mathbf{\beta^{(s)}} + \beta^{(pt)} + \dots$$
参数含义：
- $\beta^{(s)}$：这是补偿性工资差异 (Compensating Differential)。即市场是否为高压力工作支付溢价？这直接决定了工人是否有动力去牺牲健康换取金钱。

为什么不需要结构估计？

因为在第一步控制了 $x$ 后，健康 $h$ 和工资 $w$ 的演变就变成了条件外生的物理过程。我们可以直接观测 $s$ 和 $h'$ 的关系，直接跑回归（Ordered Logit / OLS）。

第三步：结构参数估计 (Structural Estimation of Preferences & Frictions)

这是最难的部分。这里涉及的参数是不可观测的“偏好”和“摩擦”，必须通过模型反推。这也是你复现论文时最需要写代码的部分。

Q: 哪些是需要结构估计的参数？结合公式。

核心参数与识别逻辑表 (Identification Map)

参数符号	参数含义	所在公式	识别它的数据矩 (Target Moment)	识别逻辑 (Intuition)
$\kappa^{(h)}$	健康恶化带来的痛苦	Eq 7 (Cost Func)	失业者的健康分布	如果工作太痛苦（$\kappa$大），健康差的人就会更多地选择辞职失业。
$\kappa^{(s)}$	工作压力的痛苦系数	Eq 7 (Cost Func)	辞职率 (Quit Rate)	如果压力大的工作没人做（辞职率高），说明压力带来的痛苦很大。
$\lambda_0$	失业者收到 Offer 概率	Eq 1 (Unemployed V)	失业持续时间	失业越久，说明收到 Offer 越难（假设接受率不变）。
$\lambda_1$	在职者收到 Offer 概率	Eq 2 (Employed V)	跳槽率 (Job-to-Job Rate)	跳槽越频繁，说明挖墙脚的机会越多。
$\alpha, \rho$	Offer 分布参数	Eq 2 (Employed V)	新工作的压力分布	我们只观察到被接受的工作，通过模型反推整个 Offer 市场的分布。

Q: 用什么数据怎么估计？（Indirect Inference）

方法： 间接推断 (Indirect Inference)。
操作流程：
1. 猜测一组参数 $\theta_3$。
2. 求解模型：在这个参数下，解出工人的价值函数 $V(x,t,h,y)$（Eq 1 & 2）。这决定了工人何时辞职、何时接受 Offer。
3. 模拟 16 万个虚拟工人的职业生涯。
4. 计算虚拟数据的矩（比如虚拟的跳槽率）。
5. 匹配：最小化虚拟矩与真实矩的距离 $\min \| \text{Actual Moments} - \text{Simulated Moments}(\theta) \|^2$。
6. 迭代直到虚拟数据和真实数据吻合。

方法论辩护：为什么选择间接推断 (Indirect Inference)?

你可能会问：为什么不直接用最大似然估计 (MLE)？那不是更有效率吗？或者为什么不用简单的矩估计 (GMM)？

这里有三个致命的技术原因，迫使作者选择了间接推断：

似然函数的噩梦 (Likelihood Intractability)：
- 缺失数据： MLE 需要计算观测数据的概率。但在搜寻模型中，我们看不到被拒绝的 Offer。一个工人没跳槽，是因为他没收到 Offer？还是收到了但拒绝了？
- 多重积分： 如果用 MLE，我们需要对每一个工人每一个时期所有可能的未观测路径（Offers, Shocks）进行积分。在连续工资和多维状态空间下，这个似然函数极其复杂，几乎不可导，很难最大化。
时间聚合问题 (Time Aggregation Bias)：
- 数据频率： UKHLS 是年度数据。
- 模型频率： 实际上是连续或更高频的。一个人可能在一年内经历了“失业 -> 找到工作 -> 又失业”的过程，但年度数据只记录了年初和年末的状态。
- 解决方案： 模拟（Simulation）非常容易处理这个问题。我们可以让模型按月运行，然后只取出每年第 12 个月的数据作为“模拟观测值”。这比推导复杂的年度似然函数要简单得多。
辅助模型的威力 (Richness of Auxiliary Models)：
- 简单的 GMM 只匹配均值（如平均工资）。但间接推断允许我们匹配辅助回归模型的系数 (Auxiliary Regression Coefficients)。
- 例子： 作者匹配了一个 OLS 回归的系数：$\log w = \beta_0 + \beta_1 \cdot \text{Age} + \beta_2 \cdot \text{Health}$。
- 这意味着模型不仅要生成正确的平均工资，还要生成正确的“工资-年龄相关性”和“工资-健康相关性”。这迫使结构模型不仅要在水平上（Levels）准确，还要在机制（Correlations）上准确。

总结：参数全景图

步骤	涉及参数	对应公式	方法	核心逻辑
1. 异质性	$x$ (Type)	Eq 3 (K-means)	聚类算法	先把人分类，控制不可观测的天赋差异。
2. 物理法则	$\eta$ (健康影响)$\beta$ (工资补偿)	Eq 4, 5 (Ordered Logit)Eq 6 (OLS)	MLE / OLS	既然控制了 $x$，直接看数据中压力 $s$ 如何影响健康 $h'$。
3. 行为参数	$\kappa$ (痛苦成本)$\lambda$ (搜寻摩擦)	Eq 7 (Cost Function)Eq 1, 2 (Bellman)	间接推断 (SMM)	痛苦看不见，通过“辞职率”反推；摩擦看不见，通过“跳槽率”反推。

When Money Dies: The Dynamics of Speculative Hyperinflations

Sun, 04 Jan 2026 00:00:00 +0000

论文数理模型完全掌握

1. 基础模型：STW 框架下的不可分货币 (Indivisible Money)

这是论文的第一部分（Section I），基于 Shi (1995) 和 Trejos-Wright (1995) 的连续时间版本。

1.1 环境设定 (Environment)

时间：连续时间 $t \in [0, \infty)$。
代理人：单位测度，分为 $N \ge 3$ 种类型（为了产生通过货币交易的需求）。
偏好：
- 消费效用 $u(y)$，其中 $u'>0, u''<0$。
- 生产负效用 $c(y) = y$（线性）。
- 时间折现率 $\rho$。
匹配：泊松到达率 $\alpha$。
- 双重需求巧合概率为 0。
- 单重需求巧合概率 $\sigma = 1/N$（一方想要对方的产品）。
货币：总量 $M \in (0,1)$，不可分（indivisible），每人最多持有一单位（持有量 $m \in \{0, 1\}$）。

1.2 资产价值方程 (HJB Equations)

这是理解模型的起点。我们需要定义两个价值函数：

$V_{1,t}$：持有货币（买家）的期望折现效用。
$V_{0,t}$：未持有货币（卖家）的期望折现效用。

推导 HJB 方程： 在连续时间下，资产价值等于流式收益（Flow payoff）加上价值变动（Capital gain/loss）。

对于持有货币者（买家）：

$$\rho V_{1,t} = \underbrace{\alpha \sigma (1-M)}_{\text{遇到卖家的速率}} \underbrace{[u(y_t) + V_{0,t} - V_{1,t}]}_{\text{交易后的净收益}} + \underbrace{\dot{V}_{1,t}}_{\text{价值随时间的变化}} \quad (1)$$

解释：买家以速率 $\alpha$ 遇到人，概率 $\sigma$ 喜欢对方产品，对方必须没有货币（概率 $1-M$）才能交易。交易后，买家获得 $u(y_t)$，失去货币（价值变为 $V_{0,t}$），放弃原状态 $V_{1,t}$。

对于未持有货币者（卖家）：

$$\rho V_{0,t} = \underbrace{\alpha \sigma M}_{\text{遇到买家的速率}} \underbrace{[-y_t + V_{1,t} - V_{0,t}]}_{\text{交易后的净收益}} + \underbrace{\dot{V}_{0,t}}_{\text{价值随时间的变化}} \quad (2)$$

解释：卖家生产 $y_t$ 成本，获得货币变成 $V_{1,t}$。

1.3 议价与交易量 (Terms of Trade)

假设买家进行“全有或全无”（Take-it-or-leave-it, TIOLI）出价。买家会压榨卖家的剩余，直到卖家无差异：

$$-y_t + V_{1,t} - V_{0,t} = 0 \implies y_t = V_{1,t} - V_{0,t} \quad (3)$$

这意味着货币的价值（购买力）$y_t$ 正好等于持有货币带来的这种“价值差”。

1.4 结构方程与动态系统 (Structural Equation Estimation)

这是论文的核心推导部分。我们需要找到 $y_t$ 的微分方程。

步骤 1：利用 (1) 和 (2) 消除 $V$。计算 $\rho(V_{1,t} - V_{0,t})$：

$$\rho(V_{1,t} - V_{0,t}) = \alpha\sigma(1-M)[u(y_t) - (V_{1,t}-V_{0,t})] - \alpha\sigma M [-(V_{1,t}-V_{0,t}) + (V_{1,t}-V_{0,t})] + (\dot{V}_{1,t} - \dot{V}_{0,t})$$

步骤 2：代入 $y_t = V_{1,t} - V_{0,t}$ 和 $\dot{y}_t = \dot{V}_{1,t} - \dot{V}_{0,t}$。注意卖家议价公式 (3) 意味着卖家剩余为 0，所以 (2) 式简化相关项。整理得到：

$$\dot{y}_t = [\rho + \alpha \sigma (1-M)] y_t - \alpha \sigma (1-M) u(y_t) \quad (4)$$

结构分析： 这是一个自治的一阶常微分方程 (Autonomous ODE)。定义货币流通速度参数 $\vartheta = \alpha \sigma (1-M)$。

$$\dot{y}_t = (\rho + \vartheta) y_t - \vartheta u(y_t)$$

假设 CRRA 偏好 $u(y) = y^{1-\eta}$，方程变为伯努利方程 (Bernoulli Equation)：

$$\dot{y}_t = (\rho + \vartheta) y_t - \vartheta y_t^{1-\eta}$$

1.5 求解与投机性恶性通胀

这是一个非线性方程，但可以通过变量代换线性化。令 $x_t = y_t^{\eta}$，则 $\dot{x}_t = \eta y_t^{\eta-1} \dot{y}_t$。代入整理得线性 ODE：

$$\dot{x}_t = \eta(\rho + \vartheta) x_t - \eta \vartheta$$

通解：

$$x_t = (x_0 - x^s) e^{\eta(\rho+\vartheta)t} + x^s$$

其中稳态 $x^s = \frac{\vartheta}{\rho+\vartheta}$。

关键结论：货币何时消亡？ 如果初始值 $x_0 < x^s$（即 $y_0 < y^s$），解会发散向 0。货币完全失去价值的时间 $T$ 是由 $x_T = 0$ 定义的。

$$T = \frac{\ln[1 - (y_0/y^s)^\eta]^{-\frac{1}{\eta}}}{\rho + \vartheta} < \infty$$

博士级洞察： 通常在离散时间模型中，如果 $T$ 时刻货币价值为 0，逆向归纳法会导致 $T-1$ 时刻价值也为 0。但在连续时间中，这涉及到一个奇点。Rocheteau 证明了在 CRRA 偏好下，只要流动性回报随实际余额减少而趋于无穷大（Inada 条件不满足或特定形式），有限时间的恶性通胀路径是存在的。

2. 扩展模型：可整除货币 (Divisible Money)

为了讨论货币增长率 $\pi_t$ 的影响，论文在 Section II 扩展到了 Lagos-Wright 类型的模型（在此为连续时间版本，类似 Choi & Rocheteau, 2021）。

2.1 结构方程组

买家的 HJB 方程：

$$\rho V_t^b(m) = \max_{c} \{ u(c) + \dots \} + \frac{1}{dt} E[dV]$$

简化后，买家持有的实际余额 $m_t$ 的边际价值由以下欧拉方程决定（论文公式 21）：

$$\rho + \pi_t - \frac{\dot{m}_t}{m_t} = \alpha \sigma L(m_t)$$

左边：持有货币的机会成本（名义利率 $i_t = r + \pi_t$，其中 $r$ 包含 $\dot{m}/m$ 项）。
右边：流动性溢价（Liquidity Premium）。$L(m)$ 衡量了放宽流动性约束带来的边际效用增益。
形式：$L(m) = \frac{u'(y(m))}{p'(y(m))} - 1$。

2.2 结构估计与校准视角

如果你想做“结构方程估计”，在宏观理论中通常指：

设定函数形式：论文设定流动性溢价函数 $L(m) = m^{-\eta} - 1$（这对应特定的 CRRA 偏好）。
动态系统求解：
$$\dot{m}_t = (\rho + \pi_t + \alpha \sigma) m_t - \alpha \sigma m_t^{1-\eta}$$
这又是一个伯努利方程！
解析解 (Proposition 3)：利用积分因子法，可以求得 $m_t$ 的显式解：
$$m_t = \left[ (\bar{m}_t)^\eta - e^{\eta [(\alpha \sigma + \rho)t + \Pi(t)]} C \right]^{1/\eta}$$
其中 $\bar{m}_t$ 是基本面解（Monetarist solution），后一项是投机性泡沫（Speculative bubble）。

2.3 关键参数分析

作为博士生，你需要关注以下参数对“货币寿命” $T$ 的影响：

$\pi$ (货币增长率)：$\pi$ 越高，分母中的折现效应越大，货币死得越快。
$\eta$ (风险规避/需求弹性)：决定了当 $m \to 0$ 时，流动性溢价 $L(m)$ 趋于无穷大的速度。这是货币能否在有限时间内死亡的必要条件（需 $\eta \in (0,1)$ 或特定条件）。
$\alpha \sigma$ (交易摩擦)：摩擦越小（$\alpha$ 越大），人们越容易交易，但在恶性通胀路径中，高流速反而可能加速货币价值的崩溃（这是一个反直觉的有趣结论，见 Figure 2）。

3. 总结：如何掌握这篇论文

要充分掌握这篇论文的数理模型，你需要能够独立完成以下步骤：

复现 ODE：不看论文，从 HJB 方程 (1) 和 (2) 推导出 ODE (4)。
求解 Bernoulli 方程：熟练掌握 $x = y^{1-n}$ 的变量代换技巧。
理解奇点：思考为什么在 $y \to 0$ 时，微分方程的解可以触达 0 而不是渐近趋向于 0（这取决于 $u'(0)$ 的性质）。
财政主导 (Fiscal Dominance)：阅读 Section IV，尝试推导当货币增长率 $\pi_t$ 内生于政府预算约束 $g = \pi_t m_t$ 时，系统如何变成 Riccati 方程。

小白也能懂

Rocheteau (2025) 结构参数校准与估计实战指南

——从“参数空间”到“数据空间”的完全映射

前言：我们要解决什么问题？

作为博士生，你拿到一个理论模型（比如 Rocheteau 的微分方程），想用它来分析现实世界（比如津巴布韦的恶性通胀）。你会发现模型里全是希腊字母（$\rho, \alpha, \sigma, \eta$），但你手头只有 Excel 表格里的数据（GDP, CPI, M1）。

本指南的任务就是教你如何用 Excel 里的数据，算出一个个具体的希腊字母数值，然后把它们塞回微分方程里，画出漂亮的仿真图。

第一步：参数大盘点（你要估计谁？）

在 Rocheteau (2025) 的模型中，决定货币“死期”（$T$）的核心公式是：

$$T = \frac{\ln[1 - (y_0/y^s)^\eta]^{-\frac{1}{\eta}}}{\rho + \alpha \sigma}$$

我们需要确定的参数如下表所示：

参数	符号	含义	来源类型	处理方式（小白必看）
时间折现率	$\rho$	人们有多不耐烦	外部设定 (Fixed)	不估计。通常直接设为年化 4% ($0.04$)。这是宏观经济学的行规，代表长期无风险实际利率。
货币增长率	$\pi$	印钞机开得有多快	直接观测 (Data)	不估计。直接看数据。比如你想模拟津巴布韦 2008 年，就用当时的数据（比如每月增长几亿倍）。
风险规避系数	$\eta$	货币需求对利率多敏感	结构参数 (Unknown)	需要估计！这是效用函数 $u(c) = \frac{c^{1-\eta}}{1-\eta}$ 的曲率。
交易摩擦	$\alpha\sigma$	交易有多难/多频繁	结构参数 (Unknown)	需要估计！ $\alpha$ 是遇到人的概率，$\sigma$ 是能做生意的概率。

结论：你的任务就是利用数据，把 $\eta$ 和 $\alpha\sigma$ 这两个“黑箱”解出来。

第二步：建立桥梁——货币需求函数

我们不能凭空猜这两个参数，必须找到一个能把模型和数据联系起来的方程。这个方程就是货币需求函数（Money Demand Function）。

1. 理论端的方程

在模型的稳态（非恶性通胀时期），欧拉方程（FOC）告诉我们名义利率 $i$ 等于流动性溢价：

$$i = \underbrace{\alpha \sigma}_{\text{摩擦}} \times \underbrace{[(\frac{M}{P})^{-\eta} - 1]}_{\text{边际效用增益}}$$

注：这里假设了 $u(q) = \frac{q^{1-\eta}}{1-\eta}$ 和线性生产成本 $c(q)=q$。

2. 变形为可估计的形式

我们需要把上述方程反过来写，把“货币量”放在左边，因为我们要拟合的是“大家手里愿意拿多少钱”。

令真实货币余额 $L = \frac{M}{P}$（在宏观数据中通常对应 $M/PY$，即货币流通速度的倒数）。

通过简单的代数变换：

$$\frac{i}{\alpha \sigma} = L^{-\eta} - 1 \\ L^{-\eta} = 1 + \frac{i}{\alpha \sigma} \\ L = (1 + \frac{i}{\alpha \sigma})^{-\frac{1}{\eta}}$$

这就是我们的圣杯方程：

$$\text{货币需求} (L) = \left( 1 + \frac{\text{利率 } (i)}{\text{摩擦参数 } (\alpha\sigma)} \right)^{-\frac{1}{\eta}}$$

第三步：数据准备（Data Space）

要跑这个回归，你需要去下载以下时间序列数据（比如美国 1900-2000 年的数据，或者你想研究的国家的稳定期数据）：

名义利率 ($i_t$)：
- 用什么：通常用短期国债收益率（如 3-Month T-Bill Rate）或商业票据利率。
- 单位：要转化为小数（例如 5% 写成 0.05）。
货币供应量 ($M_t$)：
- 用什么：通常用 M1（狭义货币），因为模型里的 Money 主要指用于交易的现金和活期存款。
名义 GDP ($P_t Y_t$)：
- 用什么：名义 GDP 数据。
构建被解释变量 ($L_t$)：
- 计算 “货币-收入比率”：$L_t = \frac{M_t}{P_t Y_t}$。
- 直觉：这代表了全社会持有的货币量相当于这一年生产总值的几分之几。

第四步：怎么估计？（结构估计实操）

这是最关键的一步。我们要用 非线性最小二乘法 (Non-linear Least Squares, NLLS)。

为什么不能用普通的 OLS？

看上面的公式：$L = (1 + \frac{i}{A})^{-1/\eta}$。这是一个高度非线性的函数，取对数也没法变成简单的 $y = ax + b$ 形式（因为里面有加法）。所以必须用 NLLS。

具体操作流程（以 Stata 或 Python 为例）：

设定回归方程：

$$y_t = \beta_0 \cdot \left( 1 + \frac{x_t}{A} \right)^B + \epsilon_t$$

$y_t$ (数据)：你计算出的 $M_t / P_t Y_t$。
$x_t$ (数据)：名义利率 $i_t$。
$A$ (待估参数)：对应模型中的 $\alpha \sigma$。
$B$ (待估参数)：对应模型中的 $-1/\eta$。
$\beta_0$ (待估参数)：一个比例常数（Scaling factor），虽然模型里它是 1，但在处理指数数据时通常需要它来调整单位。

结果解读（映射回参数空间）：

假设软件跑出来的结果是：

$\hat{A} = 0.5$
$\hat{B} = -3.33$

参数换算：

交易摩擦 $\alpha\sigma$：直接就是 $\hat{A}$。
- $\alpha \sigma = 0.5$。这意味这你每两年（$1/0.5$）才会有一次成功的货币交易机会（在某些校准中单位可能不同，需注意时间单位）。
风险规避系数 $\eta$：
- 因为 $B = -1/\eta$，所以 $\eta = -1/B$。
- $\eta = -1 / (-3.33) \approx 0.3$。

第五步：为什么选择这个方法？（博士论文里怎么吹？）

当被问到“你为什么要搞这么复杂的结构估计，而不是直接跑个 CPI 回归？”时，你要这样回答：

识别深层参数 (Identification of Deep Parameters)：
- 普通的通胀回归只能告诉我通胀和货币的关系，那是“相关性”。
- 结构估计帮我把观察到的货币需求曲线拆解成了**“偏好”($\eta$)** 和 “摩擦”($\alpha\sigma$) 两部分。Rocheteau 的模型证明，这两个参数对恶性通胀的死期 $T$ 有完全不同的动态影响，必须分开识别。
福利分析的基础 (Welfare Analysis)：
- 只有知道了 $\eta$（效用函数的形状），我们才能计算恶性通胀到底让老百姓损失了多少“效用（Utils）”，而不仅仅是损失了多少钱。
反事实推演 (Counterfactuals)：
- 估计出的 $\alpha\sigma$ 和 $\eta$ 是结构性的，理论上不随政策改变（Lucas 批判）。因此，我们可以放心地把这些参数固定住，然后强行把货币增长率 $\pi$ 拉高到 10000%，看看模型预测的 $T$ 是多少。

总结：你的复现清单

下载数据：找一份稳定的（比如美国 1950-2000）$M1$，$GDP$，$Interest Rate$ 数据。
洗数据：算出 $L_t = M1 / GDP$。
跑回归：用 NLLS 拟合 $L_t = \beta (1 + i_t / A)^B$。
得参数：算出 $\eta = -1/B$, $\alpha\sigma = A$。
代公式：把 $\rho=0.04, \pi=10000\%$, 以及算出的 $\eta, \alpha\sigma$ 代入 $T$ 的公式。
画图：得出结论，“在当前摩擦水平下，如果印钞速度达到津巴布韦水平，货币将在 45 天后归零”。

这就是所谓的“结构模型与数据的映射”。祝你复现成功！