贝叶斯估计：把 DSGE 从"校准"升级为"用数据说话"

01 为什么用贝叶斯估计 DSGE

要理解贝叶斯估计在 DSGE 里的地位，必须先把它与另外两条参数确定路线放在一起比较：校准（calibration）与极大似然估计（MLE）。校准由 Kydland-Prescott 开创，做法是凭微观证据、稳态矩和已有文献把参数"拍"成一组常数，再去比较模型矩与数据矩。它的优点是透明、可复现、计算便宜；缺点也很致命——参数没有任何不确定性度量，你不知道某个参数究竟是 0.7 还是 0.9，也无法系统地回答"数据到底支持哪个模型"。一旦审稿人问"这个 beta 为什么取 0.99"，校准只能诉诸文献惯例。

极大似然则走到另一个极端：把参数当成未知常数，在整个参数空间里最大化似然 $p(Y\mid\theta)$，取最优点。理论上无懈可击，但 DSGE 的现实是小样本、大模型、弱识别——中尺度 SW 模型有约 20 个结构参数加 7 个冲击标准差，而美国战后季度数据不过 200 多个观测。似然面往往非常平坦、布满局部最优，MLE 极易收敛到一个"技术上最优、经济上荒谬"的角落解；而且点估计丢弃了大量信息，无法直接给出置信区间，更做不了模型比较。

贝叶斯估计恰好弥补了两者的缺陷，它的核心优势可以概括为四点。第一，结合先验信息。研究者在看数据之前，凭微观估计、稳态恒等式和已有文献，对参数已有大量结构化知识（比如主观贴现因子 $\beta$ 必然接近 1，Calvo 重新定价概率 $\theta\in(0.5,0.9)$）。贝叶斯把这些知识编码成先验分布，当作"软约束"，再让数据去更新它，而不是像校准那样把参数钉死。第二，处理小样本。当先验把参数合理地约束在经济上有意义的区间内时，即使似然面平坦，后验仍然是良态的，避免 MLE 在无边无际的参数空间里乱跑。第三，输出完整的参数不确定性。贝叶斯估计的产出不是一个点，而是后验分布 $p(\theta\mid Y)$，你可以直接读出后验均值、中位数、90%/95% 可信区间，以及任何函数（如脉冲响应、福利损失）的后验分布。第四，天然支持模型比较。边际似然 $p(Y)$ 把"拟合好"与"参数简约"统一成一个标量，Bayes factor 可以在嵌套或非嵌套模型之间做正式比较，这是 MLE 的 AIC/BIC 难以完全替代的。

正是因为这些优势，自 Smets-Wouters (2007) 之后，贝叶斯估计已经成为中大型 DSGE 的事实标准估计方法，各国央行（Fed、ECB、PBOC）的核心模型几乎全部采用这一框架。

02 贝叶斯定理与推断框架

设待估参数向量为 $\theta$（包含结构性参数与冲击标准差），观测数据为 $Y=\{y_t\}_{t=1}^{T}$。贝叶斯推断的全部内容，就是用观测到的数据 $Y$ 来修正我们对 $\theta$ 的事前信念。这一修正由贝叶斯定理完成：

假设。这里有三个前提：其一，参数被视为随机变量而非常数，我们对它的"知道程度"用概率分布刻画；其二，似然 $p(Y\mid\theta)$ 由模型完全决定——给定参数，DSGE 的一阶解给出线性状态空间，再由卡尔曼滤波把数据的条件密度算出来；其三，先验 $p(\theta)$ 与数据 $Y$ 的分布形式相互独立，即先验不依赖于这组数据本身。

公式四个量各有明确的经济学含义，下面逐一解读：

• 先验 $p(\theta)$：估计"之前"研究者对参数的信念。它把经济理论与外部证据压缩成一个分布——例如 $\beta$ 接近 1、Calvo 概率落在 0.5–0.9、风险厌恶系数约在 1–2。先验不是"拍脑袋"，而是微观估计、稳态恒等式和前人文献的结构化汇总。
• 似然 $p(Y\mid\theta)$：在给定参数 $\theta$ 下，模型生成我们观测到这组数据的"可能性"。它是数据进入推断的唯一通道，由卡尔曼滤波在线性高斯状态空间上递归构造。似然越大，说明这组参数下模型越能复现数据的动态。
• 后验 $p(\theta\mid Y)$：用数据更新之后的信念，是贝叶斯估计最终要的全部结论。它同时受先验与似然影响——数据信息强时后验被似然主导，数据信息弱时后验向先验收拢。
• 边际似然 / 证据 $p(Y)$：把 $\theta$ 积掉后数据自身的边缘概率。它与 $\theta$ 无关，纯粹是个归一化常数，但它衡量"在整个先验空间上，模型平均而言有多能解释数据"，因此是模型比较（Bayes factor）的核心。

由于 $p(Y)$ 与 $\theta$ 无关，抽样时根本不需要算它。我们只关心后验核（posterior kernel）：

解读：后验 ∝ 先验 × 似然。MCMC（第 06 节）做的全部事情，就是从这个正比于"先验×似然"的未知分布里抽取大量样本，用这些样本的经验分布去逼近真实后验。注意这与频率学派的本质区别——频率学派把 $\theta$ 当固定常数、$Y$ 当随机；贝叶斯把 $Y$ 固定（已经发生）、把 $\theta$ 当随机。这一哲学差异直接决定了我们报告的是"参数落在某区间的概率"，而非"在重复抽样中区间覆盖真值的频率"。

03 先验分布设定（重点）

先验设定是贝叶斯 DSGE 最能体现研究者功力的环节。它有两条铁律：取值域必须匹配（概率型参数不能放 Gamma，正参数不能放 Normal），先验必须合理地"软"（太硬等于校准，太软等于放任似然乱跑）。下面先讲分布族的选择逻辑，再讲超参数怎么定，最后给出 Smets-Wouters(2007) 的完整先验表与 Dynare 写法。

3.1 常用分布族与适用参数

为什么冲击标准差要用 Inverse Gamma 而不是 Gamma？因为 Inverse Gamma 分布有厚尾且在 0 附近自动截断，对应"我们对冲击波动率的信念是右偏的、允许偶尔很大但不允许为负"这一先验直觉；同时它是高斯似然的共轭先验，数学性质友好。而 Beta 之所以用于 (0,1) 区间的概率参数，是因为它天然把质量压在 (0,1) 内，且通过超参数可以调成近似正态的钟形（$\alpha,\beta$ 都较大时）。

3.2 超参数（均值、标准差）怎么选

先验均值与标准差不是随意取的，有三个来源可依。第一，微观估计证据。例如 Frisch 弹性在微观劳动经济学文献里常见估计为 1 左右，习惯形成参数 $h$ 的微观证据约在 0.5–0.8。第二，已有文献。Smets-Wouters(2007)、Altig 等 (2011)、Justiniano 等 (2010) 的先验设定已成为国际标准，做中国 DSGE 时可在其基础上按中国数据的矩做小幅平移。第三，稳态矩。比如资本折旧率 $\delta$ 由稳态投资/资本比锁定，主观贴现因子 $\beta$ 由稳态实际利率 $1/\beta-1$ 锁定，这些参数几乎不需要估计，通常直接校准或给极窄先验。

3.3 Smets-Wouters (2007) 先验设定表（节选事实标准）

注意 SW 对冲击标准差用的是非常宽松的 Inverse Gamma 先验（先验 std 设大），因为他们希望数据自己告诉各冲击的相对重要性，而不是用先验把某个冲击"预设得很大"。这是一个值得借鉴的设计原则：结构性参数给紧先验（受微观证据约束），冲击波动率给松先验（让数据说话）。

3.4 先验敏感性分析（prior sensitivity）

审稿人最常问的问题是："你的后验到底是数据说了算，还是先验说了算？"标准做法是做先验敏感性分析：把先验标准差放大或缩小一倍（如把某个参数的先验 std 从 0.10 改成 0.20 或 0.05），重新跑一次 MCMC，比较后验均值与区间。如果结论对先验设定稳健，说明是数据在更新；如果后验几乎随先验平移，说明该参数被先验主导，数据信息量不足，需要在论文中如实报告。

3.5 Dynare 中 prior 块的写法

Dynare 用 estimated_params 块声明每个待估参数，语法为：参数名, 分布名, 先验均值, 先验标准差, 下界, 上界;。冲击标准差用 stderr 冲击名 开头，冲击 AR(1) 系数用 corr 冲击名, 另一冲击名 或在模型方程里写 rho_*。

estimated_params;
  % --- 结构性参数: 分布, 均值, std, [下界], [上界] ---
  kappa,   gamma_pdf,    0.125, 0.05,    0,    1;   % NKPC 斜率
  sigma_c, normal_pdf,   1.50,  0.37,    0.2,  4;   % 风险厌恶
  h,       beta_pdf,     0.70,  0.10,    0,    0.95;% 习惯形成
  phi_pi,  gamma_pdf,    1.70,  0.10,    1.0,  4;   % Taylor 通胀
  phi_y,   gamma_pdf,    0.125, 0.05,    0,    1;   % Taylor 产出
  rho_r,   beta_pdf,     0.75,  0.10,    0,    0.97;% 利率平滑
  rho_a,   beta_pdf,     0.90,  0.05,    0,    0.999;% 技术 AR(1)
  % --- 冲击标准差: 一律 inv_gamma_pdf ---
  stderr ea, inv_gamma_pdf, 0.01, 0.005;
  stderr em, inv_gamma_pdf, 0.0025, 0.001;
  % --- 可选: 两个冲击的相关系数 ---
  % corr ea, em, beta_pdf, 0.0, 0.2;
end;

04 数据选择与处理（重点）

DSGE 估计的成败，一半在模型，一半在数据。宏观时间序列样本短、噪声大、口径混杂，观测变量与模型变量对不上是新手最常见的失败原因。本节分"变量选择—数据来源—处理步骤—对应关系"四步讲清楚。

4.1 观测变量与模型变量的对应原则

模型里的变量都是对稳态的偏离（百分比偏离或百分点偏离），而现实数据是含趋势、含水平的序列。观测方程要做的，就是把"数据 $y_t$"翻译成"模型变量 $\hat x_t$"。对应原则是：模型里有几个内生可观测变量，就用几个数据序列；且观测变量个数不能超过结构冲击个数，否则卡尔曼滤波出现随机奇异性（stochastic singularity）。一个标准中尺度模型用 7 个冲击，就观测 7 个序列：产出、消费、投资、工资、通胀、利率、就业（或小时）。

4.2 中国数据来源与具体指标

数据平台上，Wind 与 CEIC 是做中国 DSGE 最顺手的两个库，指标口径全、历史长；CSMAR 适合做行业/微观补充；国家统计局官网免费但导出与季调需自己处理。中国数据有几个特殊坑：① 2003 年起 GDP 核算口径调整；② 2014 起固定资产投资改为财务支出口径；③ 春节导致 1–2 月数据合并发布；④ 社零与居民消费支出口径差异较大。这些都要在样本区间选择时规避。

4.3 美国与国际数据来源

FRED 的优势是每个序列有固定代号、提供 ALFRED 实时 vintage、可直接下载 csv；做美国 DSGE 几乎全部指标都能在 FRED 找到，这也是 Smets-Wouters 模型易于复现的原因之一。

4.4 数据处理五步流程

4.5 观测变量与模型变量对应表（含观测方程）

统一的状态空间框架下，观测方程写作 $Y_t = H X_t + \eta_t$，其中 $Y_t$ 是数据向量，$X_t$ 是模型状态向量，$\eta_t$ 是测量误差（可选）。下表给出一个标准 SW 风格模型的对应关系：

Dynare 里这一对应关系由两个声明完成：varobs obs_y obs_c obs_i obs_w obs_pi obs_r obs_l; 列出要观测的变量名（顺序与数据文件列序一致），再在 model 块里把这些 obs_* 写成方程（即观测方程），数据文件名用 datafile='data.csv' 指定。注意 Dynare 默认数据文件无表头、列顺序与 varobs 完全一致、行顺序按时间。

05 卡尔曼滤波（Kalman Filter）与似然构造

Dynare 求解器把 DSGE 在稳态附近一阶展开，得到线性 rational expectations 解。这个解天然是一个线性高斯状态空间模型，卡尔曼滤波就是在这种模型上高效计算似然的递归算法。

5.1 状态空间表示

其中 $X_t$ 是模型状态（含前定变量与期望变量），$Y_t$ 是观测数据向量，$A$、$B$、$H$ 由 DSGE 解出、是 $\theta$ 的函数，$Q$ 是结构冲击协方差，$R$ 是测量误差协方差（可设为 0）。假设：$\varepsilon_t$ 与 $\eta_t$ 独立、同分布、高斯。正是这两条假设让似然有解析形式。

5.2 预测步与更新步

记 $\hat X_{t|t-1}=E[X_t|Y_{1:t-1}]$ 为用前 $t-1$ 期数据对 $X_t$ 的预测，$P_{t|t-1}$ 为其均方误差。滤波分两步递归：

解读：$v_t$ 是新息（innovation）——当期数据与模型预测的差；$F_t$ 是新息的条件方差；卡尔曼增益 $K_t$ 决定用新息修正预测的力度——当观测噪声大（$R$ 大）时 $K_t$ 小，模型更相信自己；当状态不确定大（$P$ 大）时 $K_t$ 大，模型更相信数据。

5.3 似然如何由滤波构造

在高斯假设下，新息 $v_t|Y_{1:t-1}\sim N(0,F_t)$，所以每期的条件密度就是一个高斯密度。把它们连乘再取对数，就是完整似然：

这就是 DSGE 似然的全部：一个 $T$ 期的高斯预测误差分解。Dynare 在每次评估后验核时，内部都跑一遍这个滤波，把 $\log p(Y|\theta)$ 算出来，再乘上先验密度。卡尔曼滤波在 DSGE 估计中的作用，就是把"给定参数下模型解释数据的能力"压缩成一个可微的标量，供 MCMC 与优化器调用。注意：当观测变量数大于结构冲击数时，$F_t$ 会奇异（不可逆），滤波报错——这就是"随机奇异性"，第 09 节会讲。

06 MCMC 后验模拟：Metropolis-Hastings

6.1 为什么需要 MCMC

后验核 $p(\theta\mid Y)\propto p(\theta)p(Y\mid\theta)$ 是一个高维、非标准分布，没有解析形式，也无法直接积分出后验矩。MCMC（Markov Chain Monte Carlo）的思路是：构造一条马尔可夫链，让它的平稳分布恰好是后验 $p(\theta\mid Y)$；跑足够多步后，链上的样本就近似从后验抽取，用这些样本的经验均值、分位数去估计后验矩。

6.2 Metropolis-Hastings 算法步骤

Dynare 默认用随机游走 Metropolis-Hastings (Random-Walk MH)：

接受率的目标区间是 20%–40%（随机游走 MH 的最优渐近接受率在高维约 23%）。接受率过高（>60%）说明跳跃太小、链在原地磨蹭、混合慢；过低（<10%）说明跳跃太大、几乎全被拒绝、探索不足。调 mh_jscale 就是调提议方差：接受率太高就调大，太低就调小。

6.3 Dynare estimation 命令完整写法与逐项解释

estimation(datafile='data_cn.csv',   % 数据文件: 无表头, 列序同 varobs
           directory='./bayes_out',  % 输出目录
           % ----- 模式搜索 (找后验众数) -----
           mode_compute=4,           % 4=Newton-like Chris Sims 优化; 1=fmincon; 6=veacnel; 8=CMR
           mode_check,               % 在众数处打印梯度/Hessian, 检查识别
           % ----- MCMC 抽样 -----
           mh_replic=200000,         % 每条链抽样数 (建议 10万-50万; 太少不收敛)
           mh_nblocks=2,             % 并行链数 (>=2 才能做 BGR 诊断)
           mh_jscale=0.3,            % 提议分布跳跃尺度: 调接受率, 目标 20-40%
           mh_drop=0.2,              % 丢弃前 20% 作为 burn-in
           prior_trunc=0,            % 先验截断 (0=不截断, 与分布默认支持一致)
           % ----- 输出量 -----
           bayesian_irf,             % 计算贝叶斯 IRF (带后验置信带)
           irf=40,                   % IRF 长度 40 期
           moments_endo,             % 输出后验二阶矩
           forecast=8,               % 样本外预测 8 期
           smoothed_state,           % 平滑状态 (用于历史分解)
           filtered_state,
           load_mh_file,             % 续跑: 已有 mh 文件时追加
           nograph,                  % 不自动出图 (无显示环境用)
           nodisplay,
           graph_format='pdf');

每个选项的含义：mode_compute 决定用哪个优化器找后验众数，=4（Chris Sims 的 csminwel）是最稳健的默认值，若失败可换 =6（fmincon 类）或 =8；mh_replic 是每条链的抽样数，中尺度模型至少 10 万起，正式论文常跑到 50 万；mh_jscale 是最需要手动调的参数，跑一次后看 Dynare 输出的 "acceptance rate"，不在 20–40% 就按比例缩放重跑；mh_nblocks=2 跑两条独立链，是 Brooks-Gelman-Rubin 诊断的前提；bayesian_irf 让 Dynare 对每个后验抽样点都算一遍 IRF，最终给出 IRF 的后验分布；forecast=8 给出样本外 8 期预测的后验分布；load_mh_file 允许在已有 MCMC 文件基础上续跑，避免每次从头算。

6.4 收敛诊断

MCMC 不收敛是估计类论文被拒的头号原因。必须做三层检查：

• Brooks-Gelman-Rubin (BGR) 统计量：对每条链算组内方差 $W$ 与跨链方差 $B$，收缩因子 $\hat R=\sqrt{\frac{\widehat{\text{Var}}(\theta|Y)}{W}}$，其中 $\widehat{\text{Var}}=\frac{n-1}{n}W+\frac{1}{n}B$。收敛要求 $\hat R$ 在整个抽样后期稳定地接近 1（经验阈值 < 1.02 或 1.1）。Dynare 自动输出 BGR 图。
• trace 图（轨迹图）：画出每个参数随抽样序号的轨迹。两条链应"纠缠"在一起、没有明显的趋势或漂移、没有长期停在某点。如果链在某个值上粘住不动，说明提议方差太小或有边界陷阱。
• 后验直方图与自相关图：后验分布应光滑、单峰；自相关应快速衰减（lag 10 以内接近 0）。自相关衰减慢意味着有效样本量 (ESS) 远小于名义 mh_replic，需要加大抽样数或优化提议方差。

07 结果解读

Dynare 跑完后会输出大量数字和图，本节讲哪些是真正要读的。

7.1 后验矩与可信区间

报告每个参数的后验均值（posterior mean）、后验中位数（posterior median）、后验众数（posterior mode），以及 90% 或 95% 最高后验密度区间（HPD interval）。注意贝叶斯的区间不是"频率学派的置信区间"，它直接是"参数落在该区间的后验概率"。区间是否跨过 0（对系数类参数）或是否显著偏离先验均值，是判断"数据是否识别出该参数"的关键。

7.2 先验—后验对比图

Dynare 默认画 prior vs posterior 图：先验密度（浅色）与后验密度（深色）叠在一张图上。解读规则：若后验明显比先验窄、且中心偏移，说明数据对该参数有信息；若后验几乎与先验重合，说明数据没怎么更新——该参数实际上被先验钉住了，论文里应谨慎讨论，或改用更宽先验重新估计。这是审稿人最爱的"数据 vs 先验"检查。

7.3 边际似然与模型比较（Bayes factor）

Dynare 在输出末尾给出 log data density（边际似然的对数，用 Geweke 修正调和均值或 Laplace 近似计算）。比较两个模型 $M_1$ 与 $M_2$ 时：

Jeffreys 准则：$2\ln BF > 10$ 为极强证据，2–6 为正向证据，<2 则无显著差异。注意边际似然对先验很敏感（先验越宽，惩罚越大），所以比较模型时必须用相同的先验，否则比较无意义。

7.4 贝叶斯 IRF、历史分解与方差分解

• 贝叶斯 IRF：对每个后验抽样点都算一组脉冲响应，画中位数带 90% 置信带。与校准 IRF 相比，它告诉你"冲击如何传导"这一结论本身有多不确定。
• 历史分解（historical decomposition）：把样本期内观测变量偏离稳态的每一部分，归因到每个结构冲击。例如"2008Q4 产出下滑主要由风险冲击解释"。这是政策叙事的核心图表。
• 方差分解（variance decomposition）：报告各冲击在 4 期、10 期、∞ 期对产出/通胀/利率预测方差的贡献份额，回答"周期主要由什么驱动"。

08 完整 Dynare .mod 示例

下面给出一个可直接套用的小型 NK 模型贝叶斯估计 .mod 文件，覆盖 varobs、先验块、model 块中的观测方程、estimation 命令。把你已有的 model 块替换进去即可。

% ======================================================================
% nk_bayes_cn.mod  小型 NK 模型贝叶斯估计 (中国数据示范)
% 数据: data_cn.csv, 三列无表头, 顺序 = varobs 顺序:
%   列1 obs_y   : 实际产出 HP 循环 (百分数)
%   列2 obs_pi  : CPI 同比年化 (百分数)
%   列3 obs_r   : 7天逆回购利率年化 (百分数)
% ======================================================================

% ---------- 1. 变量声明 ----------
var y c pi r mc a;                 % 内生变量
varobs obs_y obs_pi obs_r;         % 被观测变量 (顺序=数据列序)
varexo ea em;                      % 结构冲击: 技术 ea, 货币政策 em

% ---------- 2. 被估计参数的先验 ----------
estimated_params;
  kappa,    gamma_pdf,     0.125, 0.05;     % NKPC 斜率
  sigma_c,  normal_pdf,    1.50,  0.37;     % 风险厌恶 (固定或估计)
  phi_pi,   gamma_pdf,     1.50,  0.25;     % Taylor 通胀反应
  phi_y,    gamma_pdf,     0.125, 0.05;     % Taylor 产出反应
  rho_r,    beta_pdf,      0.75,  0.10;     % 利率平滑
  rho_a,    beta_pdf,      0.90,  0.05;     % 技术 AR(1)
  stderr ea, inv_gamma_pdf, 0.01, 0.005;    % 技术冲击 std
  stderr em, inv_gamma_pdf, 0.0025,0.001;   % 货币冲击 std
end;

% ---------- 3. 固定参数 (不估计) ----------
params beta;
beta = 0.99;                       % 主观贴现因子, 由稳态利率锁定

% ---------- 4. 模型方程 (对数线性化, 已是平稳形式) ----------
model(linear);
  % IS 曲线
  c = c(1) - (1/sigma_c)*(r - pi(1));
  % NK 菲利普斯曲线
  pi = beta*pi(1) + kappa*mc;
  % 资源约束与边际成本
  y = c;
  mc = (sigma_c + 1.0)*y;
  % Taylor 规则 (含利率平滑)
  r = rho_r*r(-1) + (1-rho_r)*(phi_pi*pi + phi_y*y) + em;
  % 技术过程
  a = rho_a*a(-1) + ea;
  % ===== 观测方程: 模型变量 -> 数据 =====
  obs_y  = y;            % 产出循环 (已是百分数)
  obs_pi = 400*pi;       % 季度通胀 -> 年化百分数
  obs_r  = 400*r;        % 季度利率 -> 年化百分数
end;

% ---------- 5. 稳态与求解 ----------
steady;
check;                             % 检查鞍点路径

% ---------- 6. 贝叶斯估计 ----------
estimation(datafile='data_cn.csv',
           mode_compute=4,         % Chris Sims 优化器找众数
           mode_check,
           mh_replic=200000,       % 每链 20 万步
           mh_nblocks=2,           % 两条链
           mh_jscale=0.3,          % 跳跃尺度, 看接受率调整
           prior_trunc=0,
           bayesian_irf,           % 贝叶斯 IRF
           irf=40,
           moments_endo,
           forecast=8,
           nograph, nodisplay);

% ---------- 7. 后处理 ----------
% Dynare 输出到 oo_ 结构:
%   oo_.PosteriorTheoreticalMoments  -> 后验均值/中位数/HPD
%   oo_.MeanBvsPrior                 -> 先验后验对比
%   oo_.PosteriorIRF                 -> 贝叶斯 IRF
%   oo_.MarginalDensity              -> log 边际似然
%   oo_.SmoothedShocks               -> 历史分解所需平滑冲击

% Shocks decomposition (历史分解):
% shocks_decomposition(plot);
% conditional_forecast paths(1);

% ======================================================================
% 中文注释要点:
% (1) varobs 必须与 model 块里 obs_* 方程一一对应, 顺序与数据列序一致;
% (2) estimated_params 里每个参数写: 名字, 分布, 均值, std, [下界], [上界];
% (3) model(linear) 表示方程已是对数线性化形式, 不要再写 model() 默认;
% (4) 利率/通胀乘 400 是为了把季度小数年化, 与数据口径对齐;
% (5) 先跑一次 mh_replic=5000 看 acceptance rate, 调 mh_jscale 后再跑长链.
% ======================================================================

09 常见错误与调试

10 经典论文案例