摘要：建立計量經濟建模的目的就是用來模擬現實，以達到經濟分析。政策測定。預測與決策。理論的實證與檢驗等多角度的使用需求。然而在現實的應用中卻存在著許多的不恰當使用問題，主要表現為模型不檢驗。甚至未通過檢驗就使用的問題。這些不恰當的使用主要是對模型及建模工具的理解偏差等原因造成的。如果不加以重視，不但達不到經濟分析的目的，甚至會誤導後續的研究，以及錯誤的決策，還會造成重大的經濟損失。
關鍵詞：計量經濟模型；模型檢驗；模型應用；協整檢驗。
計量經濟模型是對複雜的現實進行抽象和簡化的有效工具。其將社會經濟活動的主要關係以方程式的形式表達，讓使用者一目瞭然。同時，這些主要關係往往都是經濟社會問題的主要矛盾的反映。所以一個好的模型就應該反映出這些問題產生的因果關係，根據這些因果關係就可以有依據的制定政策和計劃方案，提高我們的管理效率。然而在現實的模型使用中，卻存在著很多的問題，本文將就模型使用中常見的問題剖析如下：
一、對模型的理解及其使用偏差。
在學生的論文答辯或中期的檢查中，經常會遇到為什麼不在文章的某處建個模型？或者是我想在某處建個模型該怎麼做？甚至某些高校的論文規範中要求論文中都要包含模型才能及格等等問題。產生這類問題的原因，就是對模型一詞的理解偏差，即認為模型就是一個方程式，所以在文章的某處加入表明某種關係的方程式就算是建模了。這種錯誤可能產生的後果就是區域性的關係與全域性系統是否恰當問題。即區域性的關係在全域性中是否真的起作用並沒有得到實證，甚至是區域性關係與全域性的關係相矛盾。如果在論文寫作的制度規範中要求有模型，則這種制度規範必然會引起學生們對模型理解上的偏差。這種偏差不但會迅速擴大，還會很容易導致大量的形而上學式的分析結果。
我們所寫的任何一篇學術研究類的論文，都可以看做是一個模型，或者是更大模型中的區域性細化。即使你沒有使用模型一詞，也沒有想構建什麼模型，你都避不開文章的框架和對現實的各類描繪。現實屬於客觀的存在，你的描繪就是對現實存在的抽象縮影，這種抽象就屬於建模。只不過你使用的是語言描述，並非方程式而已。現代意義上的計量經濟模型，是以方程式（組）加殘差的形式構成的。往往是複雜的社會經濟問題的簡化描述，它應該是論文的核心，而論文的其他部分則是對模型解釋、鋪墊、基礎說明等內容。
二、建模理論的恰當性。
任何一個模型的構建都有著其觀察視角，及其理論或經驗依據。只有你依據的理論符合現實時，你才能得到有代表性的有效模型。這種有效性在模型的使用階段主要表現為預測性誤差很小。這一點在現實的模型使用中是很難做到的，主要原因如下：
首先，我所依據的理論經驗，多是盲人摸象式的觀察和感受得到的。這種有偏感受的代表性，自然要影響到模型的質量。由於西方主流經濟學的形式化片面發展，使得其經濟理論很難符合我國的現實，其解釋力也很有限，而我們的很多學者又以學習和借鑑西方理論來構建模型，所以這是目前的大量模型無效的根本原因。
其次，計劃經濟的實驗性道路的失敗，社會主義市場經濟的初建時間不長。還有很多理論和猜想需要實踐的檢驗。在沒有實踐檢驗之前，我們的猜想所產生的任何偏差都會引起模型的無效。
三、對現實觀察的恰當性。
統計觀察資料是決定模型有效的另一個重要因素，即在模型的初步設計後，我們多會感覺到觀察資料的短缺，於是會產生很多獲取統計資料途經，進而就會產生一系列的資料代表性問題。這在論文寫作中又是普遍存在的較嚴重的問題，其具體的表現及成因可能有如下幾個方面：
第一，有相當一部分論文采取以相關資料來替代實證所需的觀察資料，而已有資料的代表性就成為模型有效與否的主要問題。由於已有資料多是國家統計局的公開資訊，因此很多模型的內涵不同，實證的結果卻都很相近，甚至模型的經濟意義都變了味道。
第二，有部分論文采取了自己組織問卷或採訪等方式來獲取所需資料。這是值得提倡的做法，但是由於觀察範圍的有限，很難獲得會面有代表性的系統資料。進而使得模型也不具有代表性了。
四、模型應用的條件及其恰當性。
反映社會經濟現象的系統性模型很多，常見的模型及其應用條件是人們經常忽略的問題，現總結如下：
第一，最簡單和最常用的'系統模型就是期望值為零，方差為固定常數的隨機干擾系統。它是計量經濟模型的重要組成部分，建模過程中以殘差的方式出現。如果模型中的解釋變數能夠很好的解釋被解釋變數的話，則殘差將是零均值、同方差、無自相關的平穩變化的隨機干擾子系統。否則，殘差將表現出存在異方差或自相關等嚴重問題。
第二，對社會經濟現象的動態規律的研究，可以通過自相關、偏自相關、互相關等函式的分佈特徵，來確定計量經濟模型中各變數的滯後階數。即當某變數的自相關函式是拖尾的，而偏自相關函式表現為 P 階截尾的特徵時，則說明該變數為 P 階自迴歸過程 AR（P）；如果某變數的自相關函式是 Q 階截尾的，而偏自相關函式卻是拖尾的，則該變數為 Q 階移動平均過程 MA（Q）；如果一個變數的自相關和偏自相關函式都是截尾的或都表現為拖尾的特徵時，則該變數就是自迴歸移動平均過程 ARMA（P，Q）。在迴歸模型中如果被解釋變數是自迴歸過程，則該模型就叫做自迴歸模型 ARM；如果解釋變數是自迴歸過程，則該模型叫做分佈滯後模型 DLM；如果兩者都是自迴歸過程，該模型就叫做自迴歸分佈滯後模型 ADLM。ADLM 的分佈滯後階數可以通過互相關係數的階數，或格蘭傑因果檢驗等方法來分析判斷。
五、模型的估算和檢驗的恰當性。
模型的估算和檢驗多是採用固定的程式進行的，其中的演算法、應用條件、使用原則等方面的不恰當使用，或者根本不進行檢驗等情況的廣泛存在，使得模型的有效性大大減弱。常見錯誤的主要表現如下：
（一）沒有進行各類檢驗或檢驗內容不全面的問題。
在上期有關計量模型的檢驗知識介紹中，我們將對模型的檢驗分為四類，其中的絕大多數檢驗都是要做的。而我們會看到很多不做檢驗就使用的模型，這在科學研究中是很避諱的事情，然而這種避諱卻是目前很容易出現問題。模型構建中的某些檢驗是必須要做的，如變數的顯著性檢驗、殘差的異方差性和自相關性檢驗等等都是不能預設的。
（二）模型估算上的主要問題。
目前在計量建模中的估算方法很多，尤其是機器學習思想引導下，新的人工智慧研究所得到估算方法更多。而這些演算法所產生的偏差及隨機干擾性的誤差，多數是不可控制的。其中經過證明的最佳線性無偏估計很少，很多方法需要逐步修正來完善。而這一完善過程需要收斂集中才有意義。可在實際建模中，卻存在著大量的只適合內插預測，不適合外推預測的估算模型。
如大量的存在條件異方差、自相關的各類模型，以及向量自迴歸的、兩點法、三點法、指數平滑和移動平均等方法得到的估算模型，往往都存在著這類不收斂問題。
（三）迴歸與協整分析的恰當使用問題。
迴歸分析的方法在自然科學的研究中廣泛使用，且效果很好。但是在社會科學的研究中，卻廣泛的存在著偽迴歸的問題。為了避免偽迴歸，恩格爾和格蘭傑等學者研發出協整分析的相關內容，並因此而獲得了諾貝爾經濟學獎。然而我們在使用和理解這些知識時卻產生了很多問題：
首先，將協整與迴歸分裂開來，並視為豪不相關的東西。在自然界的大量平穩現象中，迴歸關係是穩定的，所以迴歸分析是科學研究中最常用的方法之一。但是在經濟學的研究中，人們發現社會經濟現象絕大多數都是非平穩的（即單整過程）。在非平穩的現象之間建立迴歸方程，很容易產生偽迴歸的結果。即本來豪不相關的現象，往往被認為是因果關係，且統計上是顯著的。只有協整系統所表現出的迴歸關係，才是真正的因果關係，我們稱之為協整迴歸。
協整系統是指由一系列不平穩的單整序列構成的複雜穩定系統。在該系統中，就各個單整序列而言，都是不穩定的。而它們綜合在一起時，卻表現為平穩的狀態。所以在求解迴歸方程時，需要進行協整性檢驗，即觀察其殘差項是否為平穩的，若殘差平穩，則迴歸方程就是協整的迴歸。
其次，為了避免偽迴歸，提高尋找協整迴歸的效率，在建立協整迴歸之前，先要對各回歸元素進行平穩性檢驗。一般要求各回歸元素都是同階單整過程，若單整階數不同，則要求被解釋變數的單整階數不能單獨高於解釋變數的單整階數，且最高階的單整變數要在兩個以上。這是保證多階協整關係存在的必要條件。
六、模型能否好用問題。
模型的作用一般認為是預測、政策模擬、結構分析、理論驗證等四個方面。其中經濟預測是最基本的使用，所以保證能夠預測是對模型好用與否的最基本要求。由於早期的計量經濟建模多是截面資料模型，用於動態性預測時很不準確，後來人們又開發出很多時序分析的方法。然而時序分析用於預測時，又多基於“鑑往知來”的統計經驗規律進行的，所以在不平穩的現實社會經濟問題中，由於歷史重演的可能性不大的，因此預測也很準確。這樣人們比較熱中的向量自迴歸 VAR、AR、ARMA、DLM 等一系列序列模型的使用都未必是有效的。也正因為如此，目前倍受關注的面版資料模型，可以使用靜態資料驗證動態規律，使用動態資料來驗證靜態規律，這很可能是較為有效的建模途徑。
上述所涉及的各類問題，都是我在教學和科研中發現的，多數同學容易犯的錯誤。而處理原則也只是我個人的體會和經驗，僅供同學們參考使用。