因果关系模型读书笔记

一、非递归因果模型

第三章 可辨识性的检验

次序条件
两种次序条件方法有利于我们迅速判断某些方程是否是可辨识的。如果方程不能满足次序条件，那么它必然是不可辨识的。但我们也必须清醒地认识到次序条件法的局限：它对可辨识性是必要条件，但不是充分条件。因此，某方程满足了次序条件并不足以证明它是可辨识的。在假定该方程可辨识性（即能获得合理的参数估计）之前，还必须对该方程进行秩条件检验。
秩条件
秩条件时可辨识性的必要且充分条件，它采纳运用线性组合的视角来检验某个方程可辨识性的程序。

第四章 修改不可辨识模型

1.通过对不可辨识模型中的方程增加一些限定，我们可以使其变得“可辨识”，其中最为常用的是零限定：假定模型结构中的某些变量可以被忽略，即模型中的某些参数等于0.
2.如果在方程中删除某个变量，而在模型的其他方程中仍然保留该变量，就将导致模型的错误设定，即导致模型与构建它的理论脱节。通过增加影响模型中其他变量（除X3之外）的外生变量，我们或许能增加方程中零限定的数目，使其具有可辨识性，但又不会导致模型的错误界定。
3.给某个不可辨识的模型增加外生变量需要遵循两类要求：一类是技术性的，一类是理论性的。在技术层面，为了使模型中某个不可辨识的方程变得可辨识，一个或多个外生变量必须添加到除目标方程以外的其他方程中。但是，并不是模型中新增变量和其他变量的因果关系都足以限定模型，从而使目标方程可辨识。而且，也没有简单的规则能指导这些变量之间因果关系的定位。研究者必须尝试对这些因果关系进行不同的组合，并运用运算法则对新形成的方程进行检验。
4.给模型添加一个外生变量永远不会使先前可辨识的方程变得不可辨识，但它可能使一个适度辨识的方程变成过度辨识。
5.在任何调查中，可辨识性都不能通过简单地增加一些对系统内部而言非常微弱或者边缘性的变量而轻易获得。这是因为当非递归模型中新增的外生变量与模型中已有的内生变量的相关很微弱时，用来估计参数的统计方法会产生标准误差很大的估计值。这意味着参数的置信区间会变得很宽，这样的经验分析也就不可能使我们用合理的精度对因果作用的大小进行测量。
注：中心极限定理：样本围绕在总体平均值周围呈现正态分布。
关于置信区间与置信水平的解释：http://www.360doc.com/content/18/0317/16/15033922_737796626.shtml

第五章 估计方法

1.对于递归模型，一般最小二乘回归法分析能产生无偏且一致的参数估计值；对于一个可辨识的非递归模型，一般最小二乘法回归并不适合，因为它会产生有偏且不一致的估计值（因为我们不能假定非递归模型中每个误差项与结构方程中的所有解释变量包括的误差项不相关）。但是我们可以对一般最小二乘法进行修改，使之在运用非递归模型时，能产生或许有偏袒但至少一致的参数估计值。
2.非递归模型的估计方法有有限信息估计法（一次只能估计非递归模型中一个方程的参数，而且只根据这单个方程的限定条件来进行估计，包括间接最小二乘法（ILS），二阶段最小二乘法（2SLS）），完全信息估计方法（利用所有方程的限定条件，对模型所有方程的参数进行同时估计，优点在于比有限信息估计值更有效，缺点在于统计包价格昂贵，完全信息估计值似乎对模型界定中存在的错误更为敏感）。

四、多层次模型

婚姻关系中离婚的选择与宗教和文化背景显著相关；组织氛围影响群体选择。上述例子的共同点在于，某一个高层次特征的存在或发生过程影响着低层次特征的存在或发生。由于概念是建构于不同层次的，因此概念间的关系将发生在多层次之间，从而需要特殊的分析工具才能加以估计。