SVAR模型的识别是指通过施加一定的条件，使得可以利用样本信息估计模型参数。结构式非限制性SVAR模型（5.1）的识别取决于对模型所施加的约束条件。在运用SVAR模型解决实际问题时，识别结构冲击效应的关键首先是识别模型的结构冲击向量εt，识别εt时需要将SVAR模型转化为简化式VAR模型，而从VAR模型的新息过程ut识别结构冲击向量εt的关键是施加约束条件确定参数矩阵。因此，SVAR模型识别结构冲击的关键就在于对参数矩阵B0施加约束条件。在现有研究中，学者们较认可的识别方法主要有三种：递归假设识别方法、长期约束识别方法和符号限制识别方法。下面对这三种方法做简要介绍。

（1）递归假设识别方法

Sims提出了一种有别于大型联立方程组模型的识别方法，即对模型的扰动项进行结构识别，从而分解出经济含义明确的结构冲击。Sims的这种识别方法就是目前常用的Cholesky分解法或递归假设识别法。递归假设识别方法是关于结构冲击识别研究中运用最早且最广泛的一种方法。然而由于Cholesky分解法的限制条件较强，同时易受到变量排序的影响，再加上变量之间的递归结构关系（Wold因果链）在现实中往往并不存在，使得一些学者对这种识别方法产生了质疑。为使SVAR模型扰动项的经济含义更加明晰，脉冲响应、方差分解、情景预测等动态效应分析更加有效，Blanchard&Watson（1984）、Sims（1996，1998）、Blanchard&Quah（1989）等一大批学者相继提出了有关SVAR模型扰动项的结构识别方法。

简化式VAR模型不能直接识别结构性的冲击，模型中需要估计的参数个数为

其中，扰动项ut的方差协方差阵Cov（ut）=E（utut＇）=Σ中需要估计的参数个数为（k2+k）/2。在扰动项ut满足白噪声条件下，可以采用OLS估计式（5.5）。而SVAR模型中可以分解不同来源的结构冲击，可以根据经济的理论中变量之间的相互关系来识别其类型。式（5.1）中模型参数的个数为k2 p+k2，由于k2 p+k2＞k2 p+（k2+k）/2，因此，需要额外施加的约束条件个数为k（k-1）/2。

对SVAR（p）模型所施加的约束条件可以是短期的，也可以是长期的。根据Cholesky分解的思想，短期约束可以直接施加在矩阵A0上，将A0约束为主对角线元素为1的下三角形矩阵，即

则结构式非限制性SVAR模型恰好识别，式（5.1）称为递归式的SVAR模型，直接利用OLS方法进行方程估计。(www.daowen.com)

（2）长期约束识别方法

在Sims（1980）提出递归假设识别方法之后，Blanchard和Quah（1989）提出了施加长期约束条件的识别方法。该方法最常见的形式是对一个结构冲击对另一个变量的长期累积影响施加零约束，即若

假设矩阵的第i行第j列元素为0，那么表示第i个变量的

结构冲击对第j个变量的长期累积影响为0。同递归假设识别方法相似，长期约束识别方法也可以有效地减少自由参数的个数，并且，施加约束条件的个数也与模型中的变量个数有关，如果模型中有k个变量，则需要施加个k（k-1）/2长期约束条件。

（3）符号约束识别方法

上述两种方法都是对模型的参数矩阵直接施加约束条件，通过减少自由参数的个数来实现SVAR的恰好识别。但是这样的假设和条件太过严格，甚至会受到研究者先验信息的影响，可能产生混淆假设和结论的后果。为解决这一问题，Uhlig（2005）提出了符号约束识别方法。该方法不对参数矩阵B0 B0直接施加约束条件，而是依据理论和经济意义对已知变动方向的变量施加变动方向约束，而对不确定变动方向的变量和兴趣变量不施加任何约束，以此来识别结构冲击。