本网讯（通讯员 林源榕）6月7日下午，计量经济学研讨会（四）在经济学院407会议室举行，美国路易斯安纳州立大学经济系助理教授周前坤作了题为“Identification and Estimation in Panel Models with Over-specified Number of Groups”的主题报告。

周前坤首先将面板模型的待估参数分为斜率系数、个体特异效应和随机扰动项三类，并从斜率系数的同质性约束和异质性约束讲起。其中同质性约束过强，可能引起实证研究中模型误设；而异质性约束虽然规避了模型误设的问题，但自由度损失较多会引起估计精度下降，而且完全不考虑个体间联系也使得面板数据的优势没有得到发挥。这时一个合理的假设就是，在面板数据中施加分组结构，如把特征相近的个体归为同一组。假设同一组内个体共用相同参数，这样就在斜率系数的同质性约束和异质性约束之间实现了一种平衡：组内个体施加同质性约束、组间个体施加异质性约束。具有分组结构的面板模型也分两种情形，一种情形是分组结构已知（显性分组变量），这种情形下现有文献通常用各组分别回归或用离散核函数进行混合回归；另一种情形是分组结构未知（隐性分组变量），这种情形更为常见，这篇文章的目的就在于对面板模型中的未知分组结构进行识别和估计。

周前坤然后对该领域的现有文献进行了简要回顾，针对线性模型，现有文献处理未知分组异质面板模型的方法包括门限方法和条件K均值聚类算法；针对非线性模型，则包括基于个体特异效应分类的条件K均值聚类算法和基于斜率固定效应分类的C-Lasso算法。周前坤指出，这篇文章在现有文献基础上作出的边际贡献在于：第一，不同于苏良军提出的C-Lasso方法依赖于调整参数的选择，本文方法在识别估计分组异质面板时，只要先验确定分组个数就具有无惩罚的优点；第二，只要分组个数未被低估，本文提出的估计分类程序一致性始终存在，这一发现大大拓宽了该方法的实用性；第三，只要分组结构识别估计正确，后续估计效果近似于基于完全正确的分组结构。

周前坤接着又简要介绍了这篇文章提出的未知分组异质面板模型的识别估计方法的具体步骤，首先设定斜率系数、个体特异效应系数和分组个数的初值，然后根据文章提出的目标函数求解最优化解，通过不断迭代更新，直到斜率系数、个体特异效应系数和分组个数的数值解收敛。此外，周前坤对该目标函数在线性模型、二值选择模型和泊松模型中的不同表现形式进行了说明，并简单介绍了该方法在理论推导中使用的假设条件，最后，周前坤对该方法估计结果的一致性、渐进分布性质等进行了讨论，并在线性静态面板模型、线性动态面板模型和Probit动态面板模型三种不同情形下展示了使用本文提出的方法识别估计未知分组异质面板模型的效果。

周前坤用一个妇女劳动参与的例子展示了该方法在实证研究中的应用效果，被解释变量为妇女是否参与劳动市场的虚拟变量，解释变量包括子女数量、丈夫收入、种族、该妇女受教育程度及其年龄。描述性统计结果和Logit、JIVE估计结果均在在全样本和两个子分组样本内表现出了显著差异，其中高就业倾向组更乐于工作，低就业倾向组则从工作中获得较少自我满足感，仅仅为维持生计而工作。两个子分组样本的回归结果差异表现为：高就业倾向组中子女个数影响显著为负，种族影响不显著，教育程度影响显著为正；低就业倾向组中子女个数影响不显著，种族影响显著为负，教育程度影响不显著。

最后，周前坤对文章的结论进行了总结。理论上的贡献包括：第一，在模型误设（分组个数高估或准确估计）下依然满足一致性；第二，在模型误设（分组个数高估或准确估计）下依然满足分类一致性；第三，弱化了对增长速度的约束。实证上的贡献包括：第一，不需要选取调整参数，对实证研究来说更便捷；第二，分组个数的选择只要够大就可以，不一定是一致的估计；第三，该方法可以与其他技术相结合，如Jackknife估计或混合分组估计；第四，该方法较易实现。

讲座结束后，周前坤与经济学院彭斌老师、蔡必卿老师、魏杰老师、叶巾祁老师、邹建文博士生等进行了交流互动，对文章中的问题进行了深入讨论。

周前坤，美国南加州大学经济学博士，曾在美国纽约州立大学宾汉姆顿分校经济系任助理教授，现任美国路易斯安纳州立大学经济系助理教授。周前坤博士曾在计量经济学杂志Journal of Econometrics, Econometric Theory, Econometrics Review等国际权威期刊上发表论文十几篇。周前坤博士的研究主要集中在大维面板数据的识别与估计，尤其在大维度动态面板数据的估计研究中提供了较多的学术贡献。