Une situation quelque peu similaire survient lorsque l`hypothèse selon laquelle les éléments de vous ne sont pas corrélés en série est supprimée et que les éléments de ≈ incluent des valeurs décalées des variables endogènes. Dans ce cas, il est possible que le décalage d`une équation puisse être utilisé en même temps que la transformation linéaire du modèle pour détruire l`identification. Dans de tels cas, il peut y avoir des équations sous-identifiées de la forme réduite ainsi que de la structure. Cette possibilité a été indiquée dans un exemple par Koop-Mans, Rubin, et Leipnik (1950, pp. 109-110), mais elle a été montrée d`une importance quelque peu limitée par Fisher (1966, pp. 168-175). Il a montré que le problème ne peut pas survenir s`il y a un mouvement indépendant suffisant parmi les valeurs actuelles et décalées des variables véritablement exogènes, un résultat relié à l`un de ceux pour les modèles non linéaires dans les variables. Dans de tels cas, la condition de rang reste nécessaire et suffisante. Le problème dans les modèles presque ou complètement autonomes attend une analyse plus approfondie. Dans les statistiques, l`identifiabilité est une propriété qu`un modèle doit satisfaire afin que l`inférence précise soit possible. Un modèle est identifiable s`il est théoriquement possible d`apprendre les vraies valeurs des paramètres sous-jacents de ce modèle après avoir obtenu un nombre infini d`observations à partir de celui-ci. Mathématiquement, cela équivaut à dire que les différentes valeurs des paramètres doivent générer des distributions de probabilité différentes des variables observables.

Habituellement, le modèle n`est identifiable que sous certaines restrictions techniques, auquel cas l`ensemble de ces exigences est appelé les conditions d`identification. Il peut cependant être le cas que certains paramètres spécifiques ou un ensemble de paramètre est le même dans toutes les structures observationnellement équivalentes. Dans un tel cas, cet ensemble est dit identifiable. Les paramètres dont les valeurs ne sont pas les mêmes pour toutes les structures d`équivalent observationnellement ne sont pas identifiables; leurs valeurs ne peuvent jamais être récupérées uniquement par l`utilisation d`observations générées par le modèle. Enfin, rappelez-vous que la discussion a commencé parce que les gens avaient des problèmes à courir Stan avec des postérieurs incorrects ou avec des modèles avec des antécédents presque plat et où certains paramètres n`ont pas été identifiés par les données seules. Voici le résumé de la situation de Ben`s, pour mieux aider les utilisateurs: ici, et en général, l`identification ne dépend pas seulement du modèle mais aussi des données.