看一下这个简单的例子，它展示了凯恩斯消费函数和均衡条件如何以简化的形式重写。

模型的简化形式是内生变量表示为外生变量的函数（可能还有内生变量的滞后值）的模型。非常粗略地，简化形式的估计不会为您提供您（有时）关心的结构性、原始策略不变的行为参数，例如代理效用函数的参数或需求和供应曲线的斜率。

使用 RFE，您只能获得这些参数的功能（通常甚至没有）。出于某些目的，这已经足够了，这就是为什么有些人想看到它们。例如，您经常可以从 RF 估计中获得关系的符号，但无法获得幅度。一旦是蓝月亮，您可以使用代数从 RFE 中求解结构参数。

最后，有些人不相信估计结构参数所需的假设也是如此。

为了补充Dimitriy 的答案(+1)，结构形式和简化形式是思考方程组的两种方式。

结构形式就是您的经济理论所说的变量之间的经济关系（如关联的凯恩斯主义示例中的消费和收入）。然而，获得模型系数的估计值需要跳过多个环节，以确保当一个内生变量回归另一个内生变量时，这些估计值不会因为内生性问题而出现偏差。所以结构形式有利于直观的解释，但当数字出现时使用起来很糟糕。

简化形式在功能上补充了结构形式。正如 Dimitriy 所说，并且如消费示例所示，简化形式解决了内生变量（如果可能的话）——据我所知，这是美国代数 II 材料。最后，在每个方程中，左侧只有一个内生变量出现，右侧仅包含外生变量和误差项。If at all possible是一个重要的限定词：有时无法实现结构形式的这种转换，这意味着模型没有被识别，没有多少数据可以帮助您获得参数的估计。不过，简化形式很容易估计，因为您可以在每个方程上运行像 OLS 这样基本的东西来得到一些估计（尽管这些可能不是最好的估计），并且它们对于简化的形式参数是无偏的。然而，可能有也可能没有一个很好的人行横道回到结构形式，它具有可解释的参数。因此，简化形式有利于估计，但不利于解释。简化形式也可以用于预测，包括脉冲响应函数——这可能是有人想看到这些估计的原因。

当您进行涉及两个步骤（两步最小二乘或 2sls）的回归时，您有两个方程。第一个方程，称为结构方程，看起来像任何其他回归方程。第二个方程是简化形式的方程（看起来很像任何其他回归方程）。做 2sls 的原因是第一个方程中的某些变量与误差项相关，这违反了回归分析的基本假设。为了解决这个问题，您使用相关变量作为因变量和一组自变量（在这种情况下获得工具变量的花哨名称）来制作第二个方程（简化形式方程），您认为它们将纠正相关问题以及第一个方程中的所有自变量。然后你让电脑运行它。

简而言之，我认为要求您简化形式估算的人希望看到您的工作。特别是他们希望看到第二个方程和相关的 beta —— 向他们展示回归输出，他们应该很高兴。

希望这可以帮助！

Jörn-Steffen Pischke 在他的讲义中对工具变量分析 (IV) 的简化形式提供了非常实用的解释。

他基本上区分了 3 种感兴趣的因果效应：

1. 工具 (Z) 对内生变量 (X) 的因果效应 - 在第一阶段获得；
2. 工具 (Z) 对感兴趣的结果 (Y) 的因果影响 - 以简化形式获得；
3. 内生变量 (X) 对感兴趣的结果 (Y) 的因果影响 - 在第二阶段获得。

尽管我们最终关心的是（毕竟这是我们做这个 IV 练习的全部原因）是因果效应编号 3，我们也可以在不估计因果效应编号 2 的情况下获得它，但 Pischke 认为这个参数本身可能很有趣对：

“例如，该工具可能是一个政策变量，在这种情况下，它就是政策效果。”

另一个有趣的来源可能是 Kurt Schmidheiny 的讲义。

他提到了弱工具背景下的简化形式（第一阶段的 F-stat ^< 10）。在这种情况下，基于 IV 估计的假设检验不再有效。“简化形式的测试”可能会提供一种替代方法。用他的话说：

“简化形式估计提供了一种简单的方法来测试零假设 H ₀，即与内生解释变量相关的所有 K 系数 β _k [...] 同时等于零。”

这实质上意味着人们可以使用简化形式来评估工具是否对感兴趣​​的结果有直接影响。在 H ₀下，它们没有影响（与零没有显着差异）。