把时间轴从幕后推到台前，库伊克变换让无限几何滞后模型脱胎成自回归（AR）模型，不仅让参数估计变得可行，还让“无限期”瞬间压缩成“当期加误差”。 Eviews里用美国1970-1991年的数据操作就能看到：局部调整模型显示销售额每涨10亿，投资就会跟着多花6.496亿。要是把局部调整的系数代入自适应预期公式，算出来的长期弹性会变成8.623亿。这两个数字的细微差别，背后其实是两种完全不同的认知路径在较量——“一次性校准”和“逐步修正”。 从滞后模型的两种面孔说起：阿尔蒙估计法把过去若干期的解释变量像捆绳子似的用多项式绑在一起；几何分布滞后模型则让系数像滚雪球一样按几何级数衰减。前者就像一条被拉长的橡皮筋，后者则像一条逐渐收敛的射线，虽然都能捕捉时间维度上的惯性，但都带着“人为分段”的硬伤。 自适应预期模型比局部调整模型更激进，它是用过去每一次预测失误的代价来按比例修正下一期的预期。在这个过程中，Xt代表预期销售额，Xt-1代表实际销售额，Yt-1则是可观测到的上一期销售额。只要把Xt-1解出来代入操作数L，原本不可观测的Xt就能被可观测的Yt-1给替代；再通过取逆操作数，模型就能瞬间化身无限分布滞后。 当λ趋近于0的时候，主体就显得很懒，不太愿意学习；而当λ趋近于1的时候，主体就变得非常敏锐，能瞬间校准。历史数据告诉我们：美国制造业在20世纪后半叶显然选择了后者——它们用每一次误差的代价，换来了更精准的下一期预期。 给无限几何滞后模型穿上理论的外衣就能让它长出血肉。局部调整模型说主体是“慢慢学”，每一期只调整一小步；而自适应预期模型则认为主体要“实时纠偏”。两种逻辑共同构成了宏观经济的“学习曲线”，前者像“小步快跑”，后者像“一次到位”。 从分布滞后到自回归再到自适应预期，模型演变的不是符号本身，而是经济主体对不确定性的应对方式。要让预期“活”起来，就需要给理论牵引添上力量：如果只靠数学游戏搞数学变形记就只是“灰色”的模型。