结构方程研究范式在经济学领域的应用
结构方程研究范式在经济学领域被重新重视起来，其核心在于基于明确的经济理论建模，将经济系统中相对稳定的结构与可能发生变化的结构加以区分，在不变结构（如偏好、技术和制度）所构成的大框架下，用变量和（或）参数描述变化的结构，使得整体模型的未知参数可以从已有数据中估计，并在此基础上通过反事实分析预测未来的均衡结果。
结构方程研究的六个核心步骤包括：模型构建、参数识别、参数估计、统计推断、模型验证和模型应用。与约简式研究相比，结构方程建模难度更高，需要研究者熟练掌握微观或宏观经济学理论和计量经济学方法，并对现实经济问题和经验数据有深入理解。
模型构建的关键要素包括行为人及其相互关系、时间、随机性和信息、选择集和策略集、决策目标、均衡的定义、变量对于研究者的可观测性和变量的测量、函数形式和分布假定。约简式分析和机器学习可以为结构方程建模提供帮助，例如约简式分析可以反映可观测变量的边缘分布特征和它们之间存在的统计依赖关系及其形式，机器学习中的生成式算法可以用于刻画现实中没有对应测量数据的变量。
参数识别是指通过数据分布还原研究者希望研究的参数，分为完全信息和有限信息两大类方法。完全信息方法需要利用数据分布的全部信息，因此要求模型是全参数模型；有限信息方法只利用数据分布的部分信息，即数据分布的某些泛函。
参数估计方法包括极大似然估计、最小二乘估计、广义矩方法估计和经典最小距离估计。结构方程模型的参数估计存在以下难点：模型求解、计算不确定性、不可观测的异质性和随机系数、计算负担较重。机器学习思想和算法可以帮助提高模型求解和参数估计的计算效率，例如深度学习方法可以用来求解动态最优化问题，降低维数诅咒问题。
统计推断方法包括渐近正态推断和贝叶斯推断。在标准情形下，极大似然估计量、最小二乘估计量、广义矩方法估计量和经典最小距离估计量具有渐近正态性。当估计量具有渐近正态性时，可以使用样本均值和样本方差来估计渐近方差。自助法可以用来近似渐近分布，在估计量不具有渐近正态性的情形下进行统计推断。逼近误差的存在会影响最终的参数估计量的渐近性质，需要根据逼近误差的来源进行讨论。高维模型的统计推断需要研究高维模型估计方法的统计性质并在此基础上寻找适合的推断方法。
模型验证是对模型可靠性的评估和诊断，包括内部效度和外部效度。内部效度即代入了参数估计值的模型与现有数据的吻合程度，外部效度即代入了参数估计值的模型能否被用于在新的场景下预测某些经济变量。模型验证的现有方法包括利用全新数据进行验证、在可得的原始数据中预留部分样本作为测试集、在缺乏随机分配的情形下，不同样本往往对应不同的激励机制或经济场景。
结构方程模型可以应用于经济机制分析、社会福利分析、反事实分析、最优政策设计、检验经济学理论等领域。结构方程模型具有不可替代的优势，能够刻画行为人之间的相互作用，识别同伴效应、价格效应、溢出效应与一般均衡效应等；基于动态优化框架的结构模型具有跨时间的估计能力，能够预测超出样本期的长期结果；结构方程模型可以识别和估计不可观测但具有经济学意义的参数，如边际成本、规模报酬、需求价格弹性、生产率等；结构模型具备较强的外部效度与政策泛化能力，既可用于政策的外推分析，也能进行政策设计。
结构方程研究也存在着一些局限和挑战：模型复杂度较高、证明参数的可识别性较为困难、高维非线性环境下求解的计算负担较重、有效性依赖于大量行为与分布假设等。约简式方程和结构方程的结合增强了识别的严谨性，深度学习与强化学习方法的引入则在一定程度上缓解了维数诅咒，降低了计算复杂度。
