《非递归因果模型》针对因果效应往往并非单向这一问题，提出非递归模型，并部分涉及辨识方程系统的问题。非递归模型弥补了复杂社会科学理论研究中，回归模型、单方程模型和多方程模型所不能解决的问题，从模型的使用、模型所依据的假设、模型结果的解释等方面对非递归因果模型做了十分全面的介绍，还应用了经济学、政治科学等学科的知识。

《非递归因果模型》首先简要回顾了递归模型的基本假设，然后才转而讨论非递归模型如何被应用于估计更为复杂的方程系统，其余部分大都聚焦于“辨识”问题。因为辨识方程系统是研究工作中最为困难的部分，故而努力把这一过程表述清楚成为本书的重要组成部分。这本介绍性著作还有一个优点，即作者在解释书中材料时，并不要求读者具备线性代数知识。本书最后一章回顾了那些已经被确认用于估计非递归模型参数的通用技术。

威廉;D.贝里，曾于美国佛罗里达州立大学和肯塔基大学讲授统计学和研究方法，现为佛罗里达州立大学政治科学系教授。其主要研究领域是公共政策和美国政策。他在学术期刊上发表了大量论文，还参与撰写了《理解美国政府的成长：对战后时期的经验研究》（Praeger，1987）以及《实用多元回归》（Sage，1985），同时也是《非递归因果模型》（Nonrecursive Causal Models）（Sage，1984）一书的作者。

序

第1章导论

第1节概念定义和符号标记法

第2节递归因果模型：简要回顾

第3节非递归模型的前提假设

第2章可辨识性问题

第1节一个供给与需求的例子

第2节可辨识性与不可辨识性

第3节适度可辨识性和过度可辨识性

第4节为什么某些非递归模型无法被辨识？

第3章可辨识性的检验

第1节次序条件

第2节秩条件

第3节次序条件的不充分性：一点说明

第4章修改不可辨识模型

第5章估计方法

第1节间接最小二乘法和适度辨识的方程

第2节二阶段最小二乘法

第3节二阶段最小二乘法和多元共线性问题

第4节职业和教育期望模型中的参数估计

第5节抗议事件暴力行为修正模型

第6章结论

第1节其他方程形式

第2节滞后内生变量

第3节其他类型的可辨识性限定

第4节其他的估计方法

第5节不可观测变量

附录

注释

参考文献

译名对照表

的确，多方程（或者说因果）模型日益被频繁使用于社会科学研究中，产生了丰硕的研究结果。很多社会科学家想必对多方程模型的一个子类即常说的递归因果模型，非常熟悉。在过去二十年中，该模型被社会学家和政治科学家频繁使用（参见Land, 1969; Duncan et al. ，1971）。所谓递归，就是一个模型必须同时满足几个条件，以确保模型中界定的所有因果效应在本质上都是单向的，也即模型中任何两个变量之间都不是互为相关的（reciprocally related），一个变量不影响另一个变量。而且，模型中所有的误差项（或干扰项）都必须假定为两两互不相关。递归模型的一个优点是模型中的系数估计非常方便。所有的递归模型都是“可辨识的”（identified）。“可辨识”一词的确切含义我们要到下一章才会讨论到。我们现在可以指出的是，为了能够确切估计多方程模型中的系数，从而为因果效应的本质提供有意义的信息，该模型首先必须是可辨识的。进一步而言，关于递归模型的假定允许我们使用一般最小二乘法回归分析获得模型系数的无偏估计值4。因此，受过回归分析训练的社会科学家可以轻松地进入递归模型分析。

但是递归模型中的前提假设往往与我们所研究的社会科学过程的本质相矛盾。在诸多情况下，假定模型中没有两个变量互为相关（互为因果）是不现实的。而且，考虑到我们通常在很大程度上忽略了模型中干扰项所代表的因素，要为误差项两两不相关这一假设提供令人信服的证明也常常是不可能的。鉴于这些情况，我们必须放弃递归模型，采用非递归多方程（或同步方程）模型。这类模型允许变量之间存在互为因果关系，而且假定一对或多对误差项之间存在非零的相关。

随着社会科学理论日益复杂化，我们亟需反映此种复杂性的统计模型来补充先前的最为简单的模型。这一趋势适用于回归模型，因为在回归模型中，研究已经逐渐从单方程模型（single_equation models）转向多方程模型（multiequation models）了。有时候，当因果效应被认为是单向的，允许使用所谓的递归模型（recursive model）时，多方程模型自身也就相对简单。但大多数时候，单向因果作用的假设是不现实的，因此研究者转向了非递归模型。

随着上述发展的出现，深入浅出而又全面介绍和讨论这些更为复杂的技术就显得尤为迫切。更为重要的是，这类著作应当包含对于下列过程的一种真正的理解：模型的使用、模型所依据的假设、模型结果的解释等等。威廉姆;巴瑞的《非递归因果模型》无疑正是这样的佳作。

贝里假定读者基本熟悉递归模型，比如已经读过本丛书早先出版的赫伯特;阿什（Herbert Asher）的《因果模型》（Causal Modeling）一书。为了唤起读者的记忆，同时搭建对本书内容理解的合适桥梁，贝里先在第一章中简要回顾了递归模型的基本假设，然后才转入讨论非递归模型如何被应用于估计更为复杂的方程系统。

本书的其余部分大都聚焦于“辨识”（identification）问题。因为辨识方程系统是研究工作中最为困难的部分，故而努力把这一过程表述清楚成为本书的重要组成部分。这本介绍性著作还有一个优点，巴瑞在解释书中材料时，并不要求读者具备线性代数知识。

在最后一章中，贝里回顾了那些已经被确认用于估计非递归模型参数的通用技术。纵观全书，作者应用了来自经济学、政治科学和社会学的一系列例子。

鉴于清楚地介绍了一种复杂的技术，《非递归因果模型》成为了我们这套社会科学方法论丛书中一位受欢迎的的新成员。