2025年6月4日下午，应浙江大学经济学院邀请，西南财经大学光华特聘教授、数据科学与商业智能联合实验室执行主任常晋源做客第127期浙大经院大讲堂，作题为“求解超高维计量经济模型的统一方法论框架”的报告。本次报告会由浙江大学经济学院主办，浙江大学金融研究院协办，浙江大学经济学院长聘副教授曾涛主持。

常晋源教授首先介绍了高维计量经济学模型在现代经济学研究中的应用。在大数据时代，许多传统的统计方法不再适用于高维模型，因此发展统一的超高维模型框架非常重要。常晋源教授在估计方程的框架下讨论超高维模型，介绍了文献中常用的经典估计方法，例如广义矩估计，经验似然估计等，并且指出，在超高维的情况下，矩条件的个数与参数维数可能远大于样本容量，此时这些经典方法不再适用。常晋源教授指出了超高维估计方程模型中重要的五个问题：超高维参数的参数估计问题，如何构造低维分量的置信区间，如何进行过度约束识别检验，矩条件错误设定下的参数估计问题，以及超高维估计方程的快速求解算法设计问题。

常晋源教授在统一的框架下解决了这五个重要问题。首先，常晋源教授在经验似然的目标函数中引入两个惩罚项，得到的双重惩罚经验似然估计量能够在超高维的情况下一致地估计参数。然而，由于渐近偏差的存在，并不能直接使用双重惩罚经验似然估计量构造置信区间。常晋源教授借助轮廓经验似然比的方法，通过投影矩阵消除高维冗余参数的影响，得到消除了渐近偏差项的低维参数估计，并且借助投影轮廓似然比实现了低维参数的置信区间估计。对于过度约束识别检验，经典的L-2型统计量在超高维的情况下并不适用，常晋源教授使用L-∞型统计量解决了这一问题。

模型误设在实际应用中经常出现。在低维情况下，矩条件的错误设定会导致参数估计非一致。在超高维情况下，常晋源教授将矩条件分成两类，一种是已知正确的矩条件，另一种是怀疑可能存在误设的矩条件，通过引入冗余参数构造增广估计方程，得到了一种新的部分双重惩罚经验似然估计量。该估计量对矩条件的误设稳健，并且能够充分利用矩条件减小渐近方差。最后，常晋源教授讨论了超高维估计方程的求解问题。双重惩罚经验似然估计量的求解是一个非凸优化问题，经典的优化算法效果并不理想。常晋源教授指出，可以通过贝叶斯经验似然的方法进行求解，将优化问题转化为抽样，通过MCMC抽样进行求解，能够有效地提交计算效率。 

在交流环节，常晋源教授与老师同学们就理论设定与计算实现细节等问题进行了讨论。最后，本次报告会在老师与同学们的掌声中圆满结束。