你可以建立联立方程组

    自变量一般从事实观察得出，也就是某些现象与另一些现象存在因果关系。一个著名的例子就是总公式的均衡的两个变量，总需求和总供给？到底是总需求的增加导致了总供给的增加，还是总供给的增加导致了总需求的增加？这是一个问题。一般而言，总需求增加，随着生产能力的调整，生产效率、劳动、资本的潜力具备，那么总供给也会增加；反过来总供给增加，也就是总体上财富增加了，那么又必然导致消费倾向的改变，那么总需求也会增加。中间还有一些约束条件。比如消费倾向的改变又和分配制度的改变有关；总需求增加时，总共给增加又和生产能力有关，不可能石头里蹦出来产品。这是经济学的实证问题。这对于确定模型很重要，通过事实观察来发现自变量和因变量。

    第二点是数学处理问题。假如有一个变量本身既是自变量又是因变量怎么处理。我们知道大部分的变量都是属于这种情况，只不过我们抽象时假设某些量的作用结果不计，但是有时候因为误差太大所以不能忽略，那么怎么处理这种情况。就以总供给为例。我们必须假设初始存在一个均衡，也就是零状态。假如政府出台了一个社会保障措施，有利降低生存风险，从而改变消费倾向，使人们降低未来风险储蓄，增加当前消费，那么从动力来讲，显然消费倾向导致需求变化，导致供给变化，同时会伴随其他一些现象，比如说消费品价格上涨，紧接着资本收益率（我讨厌那个边际）上升，那么从第一点，我们确认是总需求增加。那么总需求为自变量（假如一个函数只包括总需求和总供给）。那么，假设分配、税收不变（削弱），那么总供给增加，显然，其中个人消费能力又会增加，那么这样的增长是总供给驱动的，此时总需求的增量是总供给的增量所带来的，此时总供给为自变量。问题是，我们一般研究，那一个行为或者决策对于模型中变量的影响，有因为这种影响受时间空间约束，很难有适当的模型清晰地描绘这种变化，那么怎么用数学表达这种现象就比较困难。我们统计的都是存量，不是即时量，所以在数学上只能分段处理，确定各自的自变量，但是在认定自变量的时候，要注意这种处理方法带来的误差。