怎么样理解计量经济学

『壹』 关于计量经济学的一些基本概念，给出一些典型的实例，最好是实际生活的例子，方便理解

异方差性；（heteroscedasticity ）是为了保证回归参数估计量具有良好的统计性质，经典线性回归模型的一个重要假定是：总体回归函数中的随机误差项满足同方差性，即它们都有相同的方差。如果这一假定不满足，则称线性回归模型存在异方差性。 自相关性 ；对于模型 y t= b0 +b1x1t+b2x2t+……bkxkt+ut 如果随机误差项的各期望值之间存在着相关关系,即 cov(ut,us)=E(utus) =/= 0 (t,s=1,2,……k) 这时,称随机误差项之间存在自相关性(autocorrelation)或序列相关 随机误差... 多重共线性的概念 所谓多重共线性(Multicollinearity)是指线性回归模型中的解释变量之间由于存在精确相关关系或高度相关关系而使模型估计失真或难以估计准确。

『贰』 设y=β0+β1d1+，其中y=大学教师收入，x=教学年份，β1，β2的含义是什么计量经济学

是回归系数，或者理解为弹性

『叁』 如何用计量经济学方法分析影响因素大小

一、理论模型的设计对所要研究的经济现象进行深入的分析，根据研究的目的，选择模型中将包含的因素，根据数据的可得性选择适当的变量来表征这些因素，并根据经济行为理论和样本数据显示出的变量间的关系，设定描述这些变量之间关系的数学表达式，即理论模型。例如上节中的生产函数就是一个理论模型。理论模型的设计主要包含三部分工作，即选择变量、确定变量之间的数学关系、拟定模型中待估计参数的数值范围。1.确定模型所包含的变量在单方程模型中，变量分为两类。作为研究对象的变量，也就是因果关系中的“果”，例如生产函数中的产出量，是模型中的被解释变量；而作为“原因”的变量，例如生产函数中的资本、劳动、技术，是模型中的解释变量。确定模型所包含的变量，主要是指确定解释变量。可以作为解释变量的有下列几类变量：外生经济变量、外生条件变量、外生政策变量和滞后被解释变量。其中有些变量，如政策变量、条件变量经常以虚变量的形式出现。严格他说，上述生产函数中的产出量、资本、劳动、技术等，只能称为“因素”，这些因素间存在着因果关系。为了建立起计量经济学模型，必须选择适当的变量来表征这些因素，这些变量必须具有数据可得性。于是，我们可以用总产值来表征产出量，用固走资产原值来表征资本，用职工人数来表征劳动，用时间作为一个变量来表征技术。这样，最后建立的模型是关于总产值、固定资产原值、职工人数和时间变量之间关系的数学表达式。下面，为了叙述方便，我们将“因素”与“变量”间的区别暂时略去，都以“变量”来表示。关键在于，在确定了被解释变量之后，怎样才能正确地选择解释变量。首先，需要正确理解和把握所研究的经济现象中暗含的经济学理论和经济行为规律。这是正确选择解释变量的基础。例如，在上述生产问题中，已经明确指出属于供给不足的情况，那么，影响产出量的因素就应该在投入要素方面，而在当前，一般的投入要素主要是技术、资本与劳动。如果属于需求不足的情况，那么影响产出量的因素就应该在需求方面，而不在投入要素方面。这时，如果研究的对象是消费品生产，应该选择居民收入等变量作为解释变量；如果研究的对象是生产资料生产，应该选择固定资产投资总额等变量作为解释变量。由此可见，同样是建立生产模型，所处的经济环境不同、研究的行业不同，变量选择是不同的。其次，选择变量要考虑数据的可得性。这就要求对经济统计学有透彻的了解。计量经济学模型是要在样本数据，即变量的样本观测值的支持下，采用一定的数学方法估计参数，以揭示变量之间的定量关系。所以所选择的变量必须是统计指标体系中存在的、有可靠的数据来源的。如果必须引入个别对被解释变量有重要影响的政策变量、条件变量，则采用虚变量的样本观测值的选取方法。第三，选择变量时要考虑所有入选变量之间的关系，使得每一个解释变量都是独立的。这是计量经济学模型技术所要求的。当然，在开始时要做到这一点是困难的，如果在所有入选变量中出现相关的变量，可以在建模过程中检验并予以剔除。从这里可以看出，建立模型的第一步就已经体现了计量经济学是经济理论、经济统计学和数学三者结合的思想。在选择变量时，错误是容易发生的。下面的例子都是从已有的计量经济学应用研究成果中发现的，代表了几类容易发生的错误。例如农副产品出口额＝-107.66＋0.13×社会商品零售总额十0.22×农副产品收购额这里选择了无关的变量，因为社会商品零售总额与农副产品出口额无直接关系，更不是影响农副产品出口额的原因。再如生产资料进口额＝0.73×轻工业投资＋0.21×出口额＋0.18×生产消费＋67.60×进出口政策这里选择了不重要的变量，因为轻工业投资对生产资料进口额虽有影响，但不是重要的，或者说是不完全的，重要的是全社会固定资产投资额，应该选择这个变量。再如农业总产值＝0.78＋0.24×粮食产量＋0.05×农机动力—0.21×受灾面积这里选择了不独立的变量，因为粮食产量是受农机动力和受灾面积影响的，它们之间存在相关性。值得注意的是上述几个模型都能很好地拟合样本数据，所以绝对不能把对样本数据的拟合程度作为判断模型变量选择是否正确的主要标准。变量的选择不是一次完成的，往往要经过多次反复。2.确定模型的数学形式选择了适当的变量，接下来就要选择适当的数学形式描述这些变量之间的关系，即建立理论模型。选择模型数学形式的主要依据是经济行为理论。在数理经济学中，已经对常用的生产函数、需求函数、消费函数、投资函数等模型的数学形式进行了广泛的研究，可以借鉴这些研究成果。需要指出的是，现代经济学尤其注重实证研究，任何建立在一定经济学理论假设基础上的理论模型，如果不能很好地解释过去，尤其是历史统计数据，那么它是不能为人们所接受的。这就要求理论模型的建立要在参数估计、模型检验的全过程中反复修改，以得到一种既能有较好的经济学解释又能较好地反映历史上已经发生的诸变量之间关系的数学模型。忽视任何一方面都是不对的。也可以根据变量的样本数据作出解释变量与被解释变量之间关系的散点图，由散点图显示的变量之间的函数关系作为理论模型的数学形式。这也是人们在建模时经常采用的方法。在某些情况下，如果无法事先确定模型的数学形式，那么就采用各种可能的形式进行试模拟，然后选择模拟结果较好的一种。3.拟定理论模型中待估参数的理论期望值理论模型中的待估参数一般都具有特定的经济含义，它们的数值，要待模型估计、检验后，即经济数学模型完成后才能确定，但对于它们的数值范围，即理论期望值，可以根据它们的经济含义在开始时拟定。这一理论期望值可以用来检验模型的估计结果。拟定理论模型中待估参数的理论期望值，关键在于理解待估参数的经济含义。例如上述生产函数理论模型中有4个待估参数和α、β、γ和A。其中，α是资本的产出弹性，β是劳动的产出弹性，γ近似为技术进步速度，A是效率系数。根据这些经济含义，它们的数值范围应该是于集中的问题。经济变量在时间序列上的变化往往是缓慢的，例如，居民收入每年的变化幅度只有5%左右。如果在一个消费函数模型中，以居民消费作为被解释变量，以居民收入作为解释变量，以它的时间序列数据作为解释变量的样本数据，由于样本数据过于集中，所建立的模型很难反映两个变量之间的长期关系。这也是时间序列不适宜于对模型中反映长期变化关系的结构参数的估计的一个主要原因。四是模型随机误差项的序列相关问题。用时间序列数据作样本，容易引起模型随机误差项产生序列相关。这个问题后面还要专门讨论。截面数据是一批发生在同一时间截面上的调查数据。例如，工业普查数据、人口普查数据、家计调查数据等，主要由统计部门提供。用截面数据作为计量经济学模型的样本数据，应注意以下几个问题。一是样本与母体的一致性问题。计量经济学模型的参数估计，从数学上讲，是用从母体中随机抽取的个体样本估计母体的参数，那么要求母体与个体必须是一致的。例如，估计煤炭企业的生产函数模型，只能用煤炭企业的数据作为样本，不能用煤炭行业的数据。那么，截面数据就很难用于一些总量模型的估计，例如，建立煤炭行业的生产函数模型，就无法得到合适的截面数据。二是模型随机误差项的异方差问题。用截面数据作样本，容易引起模型随机误差项产生异方差。这个问题后面还要专门讨论。虚变量数据也称为二进制数据，一般取0或1。虚变量经常被用在计量经济学模型中，以表征政策、条件等因素。例如，建立我国的粮食生产计量经济学模型，以粮食产量作为被解释变量，解释变量中除了播种面积、化肥使用量、农机总动力、成灾面积等变量外，显然，政策因素是不可忽略的。1980年前后，由于实行了不同的政策，即使上述变量都没有变化，粮食产量也会发生大的变化。于是必须在解释变量中引人政策变量，用一个虚变量表示，对于1980年以后的年份，该虚变量的样本观测值为1，对于1980年以前的年份，该虚变量的样本观测值为0。也可以取0、l以外的数值，表示该因素的变化程度。例如，在工业生产模型中用虚变量表示气候对工业生产的影响，可以将不同年份气候的影响程度，分别用0、1、-1，甚至0.5、-0.5等表示。不过，这种方法应慎用，以免违背客观性。2.样本数据的质量样本数据的质量问题大体上可以概括为完整性、准确性、可比性和一致性四个方面。完整性，即模型中包含的所有变量都必须得到相同容量的样本观测值。这既是模型参数估计的需要，也是经济现象本身应该具有的特征。但是，在实际中，“遗失数据”的现象是经常发生的，尤其在中国，经济体制和核算体系都处于转轨之中。在出现“遗失数据”时，如果样本容量足够大，样本点之间的联系并不紧密的情况下，可以将“遗失数据”所在的样本点整个地去掉；如果样本容量有限，或者样本点之间的联系紧密，去掉某个样本点会影响模型的估计质量，则要采取特定的技术将“遗失数据”补上。准确性，有两方面含义，一是所得到的数据必须准确反映它所描述的经济因素的状态，即统计数据或调查数据本身是准确的；二是它必须是模型研究中所准确需要的，即满足模型对变量口径的要求。前一个方面是显而易见的，而后一个方面则容易被忽视。例如，在生产函数模型中，作为解释变量的资本、劳动等必须是投入到生产过程中的、对产出量起作用的那部分生产要素，以劳动为例，应该是投入到生产过程中的、对产出量起作用的那部分劳动者。于是，在收集样本数据时，就应该收集生产性职工人数，而不能以全体职工人数作为样本数据，尽管全体职工人数在统计上是很准确的，但其中有相当一部分与生产过程无关，不是模型所需要的。可比性，也就是通常所说的数据口径问题，在计量经济学模型研究中可以说无处不在。而人们容易得到的经济统计数据，一般可比性较差，其原因在于统计范围口径的变化和价格口径的变化，必须进行处理后才能用于模型参数的估计。计量经济学方法，是从样本数据中寻找经济活动本身客观存在的规律性，如果数据是不可比的，得到的规律性就难以反映实际。不同的研究者研究同一个经济现象，采用同样的变量和数学形式，选择的样本点也相同，但可能得到相差甚远的模型参数估计结果。为什么？原因在于样本数据的可比性。例如，采用时间序列数据作为生产函数模型的样本数据，产出量用不变价格计算的总产值，在不同年份间是可比的；资本用当年价格计算的固定资产原值，在不同年份间是不可比的。对于统计资料中直接提供的这个用当年价格计算的固定资产原值，有人直接用于模型估计，有人进行处理后再用于模型的估计，结果当然不会相同。一致性，即母体与样本的一致性。上面在讨论用截面数据作为计量经济学模型的样本数据时已经作了介绍。违反一致性的情况经常会发生，例如，用企业的数据作为行业生产函数模型的样本数据，用人均收入与消费的数据作为总量消费函数模型的样本数据，用31个省份的数据作为全国总量模型的样本数据，等等。三、模型参数的估计模型参数的估计方法，是计量经济学的核心内容。在建立了理论模型并收集整理了符合模型要求的样本数据之后，就可以选择适当的方法估计模型，得到模型参数的估计量。模型参数的估计是一个纯技术的过程，包括对模型进行识别（对联立方程模型而言）、估计方法的选择、软件的应用等内容。在后面的章节中将用大量的篇幅讨论估计问题，在此不重复叙述。四、模型的检验在模型的参数估计量已经得到后，可以说一个计量经济学模型已经初步建立起来了。但是，它能否客观揭示所研究的经济现象中诸因素之间的关系，能否付诸应用，还要通过检验才能决定。一般讲，计量经济学模型必须通过四级检验，即经济意义检验、统计学检验、计量经济学检验和预测检验。1.经济意义检验经济意义检验主要检验模型参数估计量在经济意义上的合理性。主要方法是将模型参数的估计量与预先拟定的理论期望值进行比较，包括参数估计量的符号、大小、相互之间的关系，以判断其合理性。首先检验参数估计量的符号。例如，有下列煤炭行业生产模型：煤炭产量＝-108.5427＋0.00067×固定资产原值＋0.01527×职工人数-0.00681×电力消耗量＋0.00256×木材消耗量在该模型中，电力消耗量前的参数估计量为负，意味着电力消耗越多，煤炭产量越低，从经济行为上无法解释。模型不能通过检验，应该找出原因重新建立模型。不管其他方面的质量多么高，模型也是没有实际价值的。2.统计检验统计检验是由统计理论决定的，目的在于检验模型的统计学性质。通常最广泛应用的统计检验准则有拟合优度检验、变量和方程的显著性检验等。3.计量经济学检验计量经济学检验是由计量经济学理论决定的，目的在于检验模型的计量经济学性质。通常最主要的检验准则有随机误差项的序列相关检验和异方差性检验，解释变量的多重共线性检验等。4.模型预测检验预测检验主要检验模型参数估计量的稳定性以及相对样本容量变化时的灵敏度，确定所建立的模型是否可以用于样本观测值以外的范围，即模型的所谓超样本特性。具体检验方法为：（1）利用扩大了的样本重新估计模型参数，将新的估计值与原来的估计值进行比较，并检验二者之间差距的显著性；（2）将所建立的模型用于样本以外某一时期的实际预测，并将该预测值与实际观测值进行比较，并检验二者之间差距的显著性。经历并通过了上述步骤的检验后，可以说已经建立了所需要的计量经济学模型，可以将它应用于预定的目的。五、计量经济学模型成功三要素从上述建立计量经济学模型的步骤中，不难看出，任何一项计量经济学研究、任何一个计量经济学模型赖以成功的要素应该有三个：理论、方法和数据。理论，即经济理论，所研究的经济现象的行为理论，是计量经济学研究的基础。方法，主要包括模型方法和计算方法，是计量经济学研究的工具与手段，是计量经济学不同于其他经济学分支学科的主要特征。数据，反映研究对象的活动水平、相互间联系以及外部环境的数据，或更广义讲是信息，是计量经济学研究的原料。这三方面缺一不可。一般情况下，在计量经济学研究中，方法的研究是人们关注的重点，方法的水平往往成为衡量一项研究成果水平的主要依据。这是正常的。计量经济学理论方法的研究是计量经济学研究工作者义不容辞的义务。但是，不能因此而忽视对经济学理论的探讨，一个不懂得经济学理论、不了解经济行为的人，是无法从事计量经济学研究工作的，是不可能建立起一个哪怕是极其简单的计量经济学模型的。所以，计量经济学家首先应该是一个经济学家。相比之下，人们对数据，尤其是数据质量问题的重视更显不足，在申请一项研究项目或评审一项研究成果时，对数据的可得性、可用性、可靠性缺乏认真的推敲；在研究过程中出现问题时，较少从数据质量方面去找原因。而目前的实际情况是，数据已经成为制约计量经济学发展的重要问题。六、相关分析、回归分析和因果分析从上述建立计量经济学模型的步骤中进一步看出，经典计量经济学方法的核心是采用回归分析的方法揭示变量之间的因果关系。但是，变量之间具有相关性并不等于具有因果性。这是建立计量经济学模型中一个十分重要的概念，那么首先需要对相关关系与因果关系作一简要的说明。所谓相关关系，是指两个以上的变量的样本观测值序列之间表现出来的随机数学关系，用相关系数来衡量。如果两个变量样本观测值序列之间相关系数的绝对值为1，则二者之间具有完全相关性（完全正相关或完全负相关）；如果相关系数的绝对值比较大，或接近于1，则二者之间具有较强相关性；如果相关系数的绝对值为0，或接近于0，则二者之间不具有相关性。如果一个变量与其他两个或两个以上变量的线性组合之间具有相关性，那么它与每一个变量之间的相关系数称为偏相关系数。相关关系是变量之间所表现出来的一种纯数学关系，判断变量之间是否具有相关关系的依据只有数据。所谓因果关系，是指两个或两个以上变量在行为机制上的依赖性，作为结果的变量是由作为原因的变量所决定的，原因变量的变化引起结果变量的变化。因果关系有单向因果关系和互为因果关系之分。例如，劳动力与国内生产总值之间具有单向因果关系，在经济行为上是劳动力影响国内生产总值，而不是相反；但是，在国内生产总值与消费总额之间则存在经济行为上的互为因果关系，国内生产总值既决定消费总额，反过来又受消费的拉动。具有因果关系的变量之间一定具有数学上的相关关系。而具有相关关系的变量之间并不一定具有因果关系。例如中国的国内生产总值与印度的人口之间具有较强的相关性，因为二者都以较快的速度增长，但显然二者之间不具有因果关系。相关分析是判断变量之间是否具有相关关系的数学分析方法，通过计算变量之间的相关系数来实现。回归分析也是判断变量之间是否具有相关关系的一种数学分析方法，它着重判断一个随机变量与一个或几个可控变量之间是否具有相关关系。由于它的特定的功能，所以也被用来进行变量之间的因果分析。但是，仅仅依靠回归分析尚不能对变量之间的因果关系作出最后判断，必须与经济行为的定性分析相结合。这就是上面强调的建立计量经济学模型的三要素。

『肆』 计量经济学中的“innovation”怎样翻译

在《计量经济学专业英汉词典》里有个innovation sequence，被译作新息过程。我觉得应该结合上下文专，应该是创建属新序列，因此innovation可以看作rebuilt，甚至new的意思。或者是创建新变量。要结合上下文考虑其含义。

『伍』 如何学习计量经济学

许多人对学习计量经济学感到非常迷茫，不知所措。其实，要想学好计量经济学，首先，你要明确你将来准备干什么，这个至关重要。

如果你今后只是从事经验分析和应用方面的工作，完全没有必要去啃那些如天书般的数学过程，只要弄清楚模型的一般形式，知道怎样使用软件，明白什么样的模型需要采用什么样的估计方法和检验方法（估计与检验过程计算机能够帮你完成），懂得怎样去判断估计参数的合理性，就可以了，重要的是一定要知道怎么样去解释参数的经济含义。

这恐怕是绝大多数的人今后的正确选择。而对于那些想从事理论研究的人来说，不仅要求是应用的高手，而且必须具备非常好的数学背景，一定要弄清楚基本理论和方法的每一个问题的数学过程，然后，选择一个赶兴趣的领域或问题进行深入研究。

无论是从事应用研究，还是理论研究，都无须看很多的课本，特别是中国人编写的课本（无论他是谁，因为我发现中国编写计量经济学课本或书籍的人没有一个真正搞懂了他所编写的内容，自己云里雾里，教出来的学生也就可想而知了，充其量只会背一些概念），只需要找3~5本经典的国外教材，特别是书籍，认真阅读，并且坚持上机训练，就可以了，剩下的工作就是要阅读和跟踪优秀的文献，这个是最重要的。

『陆』 怎样用EVIEWS实现相关系数显著性检验

eviews6.0版本的方法如下：抄view>covariance analysis>勾选袭corelation,同时勾掉covariance,点击ok就可以看到相关系数矩阵，这个用来进一步检测是否存在多重共线性，望采纳~欢迎追问

『柒』 怎样才能学好计量经济学

计量是被包含与统计学之中的一门学科 它以数学为基础（包括概率与求导一类，这两门是重中之重 一定要打下坚实的基础）应用于各个领域。在搭好基础的前提下 你才有可能继续学习计量经济学下面的分支。计量经济学的分支有很多 应用计量 金融计量 微观计量 宏观计量 时序分析 贝叶斯计量以及计量经济学原理等等等等一系列东西，很多方向之间是有共性的
当你打好基础往下学习的情况下 可能会碰到某一个方向比较难理解 比如你学金融计量的时候会发现可能你不知道什么是Order of Integrating 一本书或者一个方向通常不可能面面俱到 这时候你可以多查查文献
计量经济的学习理解程度我觉得对我来说就像一个一个开口向下的二次函数，一开始是很感兴趣的但是很多东西理解的不好 后来学的内容越来越多了发现很多东西是想通的 发现其实不是难 而是你有很多东西不知道 了解多了自然对后续学习有帮助了 比如说应用计量，时间序列加上计量经济学原理的学习就对金融计量的学习很有帮助，金融计量的学习又对应用计量很有帮助，他们是相辅相成的。但是parametric model玩儿多了 你就想玩儿高端的 比如贝叶斯计量和金融计量后期 包括 semi 或者 non parametric 这时候难度又上来了 因为他对你的抽象思维和数学能力又有很大的要求 所以又开始比较痛
关于书籍，计量经济学习我觉得 建议学习计量用英文版教材而不要用中文版 说实话用中文学有些时候表达会更复杂且难理解 因为我所在学校的计量专业还不错 所以很多时候一门课的教材都不是来自一本书 有时候是好几本书的几部分加上一部分文献 这都取决于老师的习惯
如果有时间和能力的话 多度一些文献并作出总结 和提出问题 会对你今后的学习与研究做出非常大的帮助
计量学到后面对programming有很大的需求 如果你想在计量或者数量方面长期发展的话 建议开始就从STATA或者R来入手， eviews简单易上手可以满足基础需求 但是可塑性比较差 早早的建立良好的编程习惯对你日后是有很大帮助的 也节省时间 SAS对金融方向的学生也是很powerful的，stata貌似经济方向的使用比较多 例如微观计量。
可能有说的不到位的地方 但是这就是目前我学了三年计量的感受

『捌』 在计量经济学中，怎样判断线性与非线性回归函数

楼上的回答是针对数学概念上的线性与非线性讲的。
在计量经济学中，线性或非线回性，不是针答对自变量而言的，也就是X，而是针对自变量的系数参数而言的。如：

y=a+bx这是线性，y=a+bx+cx^2这也是线性，因为a b c导数都是常数，或者说都是1次的，而y=a+bcX1+dX2,这样的模型就是非线性的，因为bc是2次的。区分其实就这么简单。

『玖』 怎样理解计量经济学与理论经济学，经济统计学，数学的关系

计量经济学是对理论经济学、经济统计学以及数学的综合运用及延伸。

计量是经济理论，数理经济，经济统计与数理统计的混合物，但是它值得作为一门单独的学科来研究。经济理论所做的陈述或假说大多数是定性分析的。

计量经济研究必须以经济理论和经济运行机制作为建立模型的理论依据；统计资料是建立和评价计量经济模型的事实依据；数理统计方法是计量经济研究过程中的主要建模工具。

理论经济学是由经济学基本概念、范畴与范畴体系组成的理论体系。

数量经济学是要用数学形式表述经济理论而不去问理论的可度量性或其经验方面的可论证性；

经济统计学的问题主要是收集，加工并通过图或表的形式以展现经济数据,数理统计提供了许多研究工具。

(9)怎么样理解计量经济学扩展阅读：

最近20年，政策评估计量经济学方兴未艾，为政策评估提供了基于实际经济数据的方法，已被应用于评估发达国家各种公共政策。

如最低工资法对就业的影响、就业再培训政策对收入的影响、反歧视法对少数族裔就业的影响、福利政策对男女工人失业持续期的影响等。

政策量化评估还可为政府精细化管理提供科学的决策依据。

比如，2000年诺贝尔经济学奖得主麦克法登在上世纪70年代通过设计调查问卷和对调查数据进行计量建模，准确预测出通勤人员使用在建的旧金山地铁系统的比例，成为城市精细化管理的成功案例。

『拾』 怎样理解计量经济学的重要作用

线性假设是线性模型最基础也是最重要的假设。而之前我们也有提及所谓的简单线性回归也就是指模型仅包含两个变量X和Y。这里的X，Y和观测值并没有关系，只是根据线性模型刻画出的变量之间的关系：Y可以被看作成是一个关于X的单元函数 （比如说小树苗的高度，可以看成是受到施肥量的一个单元函数）。

这一讲比较重要，会涉及一些模型识别的本质，和计量经济的基础概念，可能会讲得比较长一些。我决定把识别估计篇分为两部分，第一部分主要讲识别，第二部分主要讲估计，今天模型识别这一部分主要分为一下几块：

识别的基本概念；
如何理解识别；
存在性；
唯一性；

识别估计篇（一）
识别的概念：
线性假设给模型提供了识别的基础，这里不可避免地我们就要来讲一下识别这个词到底是什么概念。识别这个词可以说是贯穿整个计量经济学的研究，识别这个词许多学过统计的人都有接触过，但是真的问到识别究竟是什么许多人也很难说出一个所以然来，甚至可能许多人会混淆模型“识别”的概念，最常见的两种混淆是：

“模型识别与“模型估计”混淆；
“模型识别”与实证中我们常说的“因果识别”混淆;
“模型识别”究竟是什么？在数理统计中，一旦我们对所观测到的现象建立了概率参数模型，参数模型一旦确定，我们就可以判断模型是否“可识别”。而这里所谓的“可识别”，指的就是不可能存在两组不同的参数使得在两组不同的参数下，我们观察到“等价”的观测值。