一些回答

1、我觉得和均衡不均衡没有关系。这个世界的各个变量本来就是在流动的变化当中，不管

是从什么性质的状态变化成什么性质的状态。计量的目的就是要找到最优的参数（非参模

型是找到最优的函数）去刻画这种变化。或者用一句直白但是不太精确的话说，即使你的

参数是从非均衡到均衡过渡的状态中估计出来的，也有预测意义，因为将来也会出现从非

均衡到均衡的过渡状态。当然，现在主流的观点是任何看到的或已经实现了的状态都是均

衡状态，“非均衡”在这种观念下是个伪概念。巴罗以前搞了很多年非均衡，他自己都放

弃了。

2、如果你所说的精度是一致性的话，在模型设定正确的情况下，当然是样本越大越好。换

句话说，小样本下任何情况都可能发生，很不准确。不过对于时间序列来说，有限样本也

足够去拟合和预测了，这可能和时间系统本身的属性有关。

3、如果你所说的信息量的损失是相对于总体来说的话，没有办法去判断，因为我们不知道

总体是什么样子。为了使样本尽量反映总体的信息，抽样设计是关键，这也就不是我们拿

到数据做研究的人所能控制的了。我们能做的，就是在样本的范围内检验参数的稳健性，

比如做子样本的稳健性估计。

思考两天，还是ebwf解答非常正确，特别是第一部分的解答，简直是字字珠玑，一语道破

天机。

1、由于大部分的计量模型还是缘于最初的理论推导，如何沟通理论推演的结果和实际的计

量模型之间的关系，折磨了我很长时间，也没有想通怎么合理地解释某些计量模型的随意

增减变量的行为。实际上，在具体地设计计量经济模型时，完全可以抛开理论，而只关注

变量之间的统计关系；任何事先的推演都只能给出一个变量之间存在关系的大致方向。如

果不那么精确的话，就应该是不带有理论预设而直接设定计量模型，在最大程度地拟合数

据的过程中，去发现新的变量关系。倘若发现变量之间存在着和理论不一致的关系，再来

追查是理论出了问题，还是计量的方法、数据或模型出了问题。

2、我所说的精度，其实指的是估计值后真值之间的差距，其实就是一致性的概念，随着样

本量的扩大，估计值最终会收敛至真值，我其实是想弄清楚这种收敛的过程会不会发生紊

乱，也就是说会出现和真值之间的距离忽远忽近的情况。另外一个问题，就是收敛的速度

问题，要多少个样本才可以将估计值和真值之间的差距，缩小到我们需要的距离。你提到

了一句话，小样本情况下估计值什么情况都有可能发生，我才想明白，我提的问题本身就

是一个伪问题，因为估计参数本身就是一个随机变量，而非一个固定值；因此根本没有精

确不精确的说法，我们得到的点估计值其实是一个均值。同时，样本数量的扩大，当然会

使得均值更加靠近真实值了。

3、计量手段问题。ML、OLS和GMM三种方法中，以GMM的估计值最为稳健，原因在于GMM估计

根本不对随机变量的分布做出任何先验的设定，只考虑其矩的大小；而ML是必须要对随机

分量的分布做出先验的分布，否则写不出它的联合分布函数来。实际相当于对后者强加了

一个人为的假设，其估计值的稳健性就相对较差。我个人的看法，或者说猜测是，由于ML

给出了一个先验的分布假定，所以其估计值的方差相对较小；而GMM由于不做分布的先验设

定，因此其估计值的方差就相对较大，很显然GMM估计值在做假设检验时被拒绝的可能性更

大。不知这种理解是否正确？不同的计量方法，是不是还会影响从样本中抽取到的有关总体

的信息量的多少？这个也备查。

4、不同计量模型之间的比较和选择问题，这个问题较为重要，但对我而言还是毫无头绪，

不同情况下其判别的标准应该是什么，如何同时结合理论要求和统计标准，进行变量的取

舍，均需要再加以思考。在许多时间序列模型中，选择滞后阶数都带有非常大的随意性，

虽然也有一定的诸如AIC等判定办法，但是这些判断的准则，也是人为设定的，并不具备更

多的理论基础，本质上仍然是一种经验性质的东西，因此对这些判别的标准我仍心存怀疑

。

5、总体的分布和抽样设计的问题。总体的精确分布当然是不可知的，但由于大数定律的保

证，常见的分布类型已经足够应付，不知道工科的水平是否已经足够，也不知是否有必要

掌握测度论基础上的概率理论体系，对于实际的经济研究是否有实际的意义？工科水平的

随机过程较容易掌握和运用，但对于随机过程的认识和理解却远远不够。这些是题外话，

有空儿可以再展开讨论。

无论如何，此前由于纠结于理论模型和实证模型的不融合，一直百思不得其解，ebwf的解

答，令人顿时豁然开朗。

[此贴子已经被作者于2009-6-7 10:01:11编辑过]