7月23日-24日，2022年厦门大学计量经济和大数据研讨会在厦门举行。来自二十余所知名高校和相关机构的专家学者参加会议。
本次研讨会由厦门大学经济学院、王亚南经济研究院、邹至庄经济研究院主办，厦门大学经济学院统计学与数据科学系、“计量经济学”教育部重点实验室（厦门大学）、福建省统计科学重点实验室（厦门大学）联合承办。会议共计两天，采用线上线下并行的方式，围绕计量经济和大数据分析的理论和应用，共邀请7位知名学者进行大会报告。同时，会议为青年学者搭建交流平台，安排9个场次的分组报告会，二十多位青年教师、研究生进行了论文报告。
23日上午，在厦门大学林明教授的主持下，研讨会拉开帷幕。
厦门大学经济学院党委书记黄鸿德首先致辞。他热烈欢迎各位嘉宾的到来，并对各兄弟院校长久以来给予厦大经济学科的宝贵支持表示感谢。黄鸿德书记提到，从2005年开始，厦门大学经济学科开始在计量经济学方向发力，迎来一个快速发展的时期，形成了强有力的平台汇聚之势。经过十多年的发展，厦门大学经济学科已经成为国内最具有知名度和影响力的计量经济学科研机构之一，在国际上有相当的影响力，“统计与数据科学”学科群建设也卓有成效。他希望，今年的会议能够为学界的朋友搭建沟通交流的平台，在促进学术探讨与合作的同时，推动国内统计学科、计量经济学科及相关应用学科的发展。
本次会议共包含七场大会报告，报告嘉宾依次为北京物资学院王文举教授、东北财经大学王维国教授、华中科技大学王少平教授、中国科学院大学洪永淼教授、美国堪萨斯大学蔡宗武教授、美国范德堡大学Atsushi Inoue教授、美国加州大学圣地亚哥分校孙一啸教授。
王文举：碳达峰目标下省级区域碳配额分配方案研究
在碳达峰、碳中和目标的背景下，合理分配区域间初始碳配额是实现碳减排目标的基础，也是推进全国碳排放权交易市场有序建设的重要内容。目前国内研究关于碳排放权分配原则和分配方法尚未形成具有共识性的方案，同时以2030年碳达峰目标为核算基准的研究有限，王文举教授基于他的最新研究为我们介绍了三种省际碳配额分配方案，将公平、效率、责任、发展等多项原则纳入分析框架，丰富了我国2030年碳达峰目标的省际分解研究。
首先，基于责任与发展原则，王文举教授提出公平性优先的碳配额分配方案，构建空间计量模型估算各地区碳排放转移责任，结合碳排放历史责任，设计奖惩机制。该机制将地区碳排放总责任与经济发展发展水平相适应的碳排放量相偏离的部分予以补偿或削减，从而帮助实现碳减排与经济可持发展之间的有效协同。
其次，基于竞争与协同原则，王文举教授提出效率性优先的碳配额分配方案，将零和博弈思想融入到效率评价方法中，构建产出导向、规模报酬不变的ZSG-SBM模型测算碳排放效率，寻找对于整体和各决策单元均有效率的分配方案，体现国家统筹下的区域间协同性。
随后，王文举教授采用熵权法整合以上两种碳配额分配方案，提出兼顾公平与效率的综合性碳配额分配方案。该方案既能激发区域减排积极性，又不会因碳排放历史责任和转移责任惩罚过度而损失效率。
通过比较上述三种分配方案的边际减排成本和社会总减排成本，王文举教授指出，公平性优先的碳排放权分配方案有利于经济欠发达地区，效率性优先的碳排放权分配方案有利于经济发展水平较高的地区，兼顾公平与效率原则的碳排放权分配方案因地区减排成本差异小而容易被更多主体所接受，最适合中国当前情况。未来，随着我国经济发展不平衡、不充分问题的缓解，地区间差异逐渐缩小，可以推行效率性优先原则下的碳配额分配方案，追求更低的减排成本。
最后，王文举教授与参会嘉宾分别就碳配额分配与土地拍卖机制对比、碳配额分配与交易之间的关系、碳排放权交易试点与统一市场之间的关系、碳达峰碳中和目标实现时间点的理论推算、最大化的效率省际碳配额分配逻辑分析框架等问题进行了更加深入的学术交流与探讨。
王维国：生育政策、初育年龄与生育意愿
首先，王维国教授介绍了论文的研究动机，目前持续走低的生育意愿和生育率使得中国人口发展进入了特殊时期，政府虽然已经出台了一系列生育及配套政策，但还是未能使生育率重返合理区间。王维国教授指出人口生育政策未能达到预期主要受两个因素的影响：育龄人口生育意愿不高；初育年龄延迟、一孩生育水平下降。
目前现有研究主要包括对初育年龄的研究；对生育意愿的研究，少有文章分析初育年龄与生育意愿之间的关系。王维国教授构建理论模型和实证模型刻画初育年龄与生育意愿之间的关系，分析生育政策环境是否会影响女性生育观念的形成，从生育机会成本、养老成本角度探究初育年龄与生育政策之间的影响机制，最终发现初育年龄与生育意愿呈现U型关系；放松生育数量限制政策的边际效应递减；初育年龄对生育意愿的影响在低生育成本和偏好社会养老的女性中更加突出。
理论模型从全生命周期理论出发，将决策过程分为5个时期：儿童期、开始人生决策、生育期开始、生育期结束、退休期。在决策过程中分为两种情况，分别构建意愿生育个数为0和不等于0的个体效用最优化，其中优化模型中包括初始人力资本水平、抚养成本、养老成本等因素，对模型进行最优决策分析（FOC），获得一阶导和二阶导条件。在FOC条件中引入生育能力，默认个体生育效用比不生育效用高，通过遍历每一个可能的初育年龄，得到初育年龄、生育能力不同组合下的效用，进而判定个体的生育意愿。
王维国教授通过理论建模发现初育年龄和生育意愿之间呈现先降后升的U型关系，并通过模拟生育政策的影响，探究生育数量限制政策的最优力度以及放开生育限制的恰当时机，同时验证生育机会成本在低收入组合和高收入组、不同养老偏好等情况下，初育年龄和生育意愿之间U型关系的鲁棒性。
通过利用中国中和社会调查数据库，王维国教授实证分析初育年龄和生育意愿之间的影响机制。基准回归结果包括：生育意愿与初育年龄呈先降后升的U型关系；女性受宽松生育政策影响的育龄期越长。并通过更换样本、替换被解释变量进行稳健性分析，王维国教授通过采用IV变量（贾男等（2013））、GSEM模型、GPSM模型解决模型存在的内生性问题，对是否受生育政策影响、房产数量、性别观等进行异质性分析，发现放松生育数量限制政策的数量效应和时机效应对早育女性的影响更大。
王少平：A Random Walk with Time-Varying Volatility for News Sentiment: Evidence from the Chinese Stock Market
王少平教授的报告指出，使用中国股票市场数据验证中国投资者情绪指数是一个具有时变波动的随机游走过程。
他首先表示，随着大数据和机器学习的发展，之前许多不可观测的变量现在大多可以实现观测和度量，投资者情绪是其中的典型。通过对GDELT数据库中文本数据的提取、过滤等多步复杂操作，王少平教授建立了投资者情绪指数，并发现该指数的趋势与沪深300指数相匹配，同时，他认为情绪指数不应该是平稳过程，而应该是具有时变波动的随机游走过程。
其次，王少平教授指出传统的ADF检验要求残差序列独立同分布，因此无法适用于具有时变方差残差的随机游走过程，会导致错误的结果。而他采用的Cavaliere和Taylor (2009)中MZ统计量可以解决此类检验问题。通过对情绪指数建立单位根检验，他发现情绪指数是具有时变波动的随机游走过程，这是在已有文献中首次出现的结论。
随后，王少平教授研究情绪指数和股市换手率是否具有协整关系。因为情绪指数和换手率都是具有时变方差的随机游走过程，所以利用传统的EG两步法检验两者之间的协整关系可能会带来错误的结论。基于此，他扩展了EG两步法，在第二步构造了一个Z统计量来解决此问题。通过对两组实际数据回归和检验，发现情绪指数和换手率具有协整关系。基于协整关系，王少平教授对二者建立了门限ECM模型来揭示正负面情绪指数对换手率的非对称效应，并且从情绪指数的估计系数的正负性及大小分析了情绪指数对换手率的影响。
接着，王少平教授研究新冠疫情对市场情绪带来的变化。通过对疫情前后情绪指数和换手率分别建立ECM模型, 从模型层面上来看，疫情之前正负面情绪叠加抑制了换手率，而疫情之后正负面情绪叠加刺激了换手率。
最后，王少平教授尝试从经济、金融和现实层面解释上面结论，并结合自身投资经历和市场投资现状，给出上述结论的现实意义：对中国资本市场的引导、信息的披露和投资者的引导，第一，要求机构投资者能理性地按照价值投资，第二，要求提高投行或分析师的研究水平，使其能够正确引导投资者的预期。
洪永淼：Penalized Time-Varying Model Averaging
报告伊始，洪永淼教授以美国和中国实际GDP增长率和通货膨胀率数据的波动在特定时间段内显著变小的直观例子，说明了宏观经济结构随着时间一直在发生变化且具有时变性。结构变化现象广泛存在于金融、工业统计等其他领域，且会导致诸多问题，其中之一便是模型的不确定性，而应对模型不确定性目前常用的解决方法是模型平均。紧接着，洪永淼教授从预测角度说明了研究的另一个动机，即模型在不同时期的预测表现可能不同，因此有必要考虑一种模型平均或组合预测方法以实现稳健精准的预测，其不仅考虑模型参数随时间的变化，同时允许模型的组合系数即权重随时间发生变化。此外，考虑到组合模型未知参数个数过多和个别模型在某个时期预测表现可能很差的问题，论文考虑引入惩罚项以进一步提升预测精度。
接下来，洪永淼教授详细介绍了模型和方法。对于一般的非线性模型，假设条件均值具有时变性，且解释变量可以是无穷维，此外误差项允许具有条件异方差性。对于M个备选模型，进一步假设各自为时变系数线性回归模型，且每个备选模型均允许模型误设。首先，对于单个备选模型中的未知参数，通过局部常数核估计方法进行估计，在此基础上得到条件均值的估计。其次，对于组合后得到的模型，在非负性和总和为1的权重约束条件下，通过引入非对称矩阵求解了参数估计和条件均值估计。最后，洪永淼教授重点强调了本文中用到的一种新的带LASSO惩罚项的时变leave-h-out向前验证权重选择准则，值得注意的是该惩罚项只对模型参数施加，但理论说明这种方式同时也可以使权重系数具有稀疏性。
讲座的第三部分，洪永淼教授阐述了关于估计量权重向量和模型估计参数的大样本性质，特别讨论了当备选模型中存在正确模型情形时模型参数的一致性和渐近正态性。
最后，洪永淼教授比较了本文方法与现有方法在有限样本下的表现，在均方预测误的准则下，本文方法表现更优。此外，还将所提方法用于通货膨胀率季度数据的向前1-4步实际预测中，实证结果显示只有在极个别情况下本文方法表现略微差于简单平均方法。
报告结束后，洪永淼教授与线上线下嘉宾就平均系数与平均结果的区别、动态模型平均与本文方法区别、大样本理论中参数含义等问题进行了深入的交流与探讨。
蔡宗武：Portfolio Choices Using Online Information
蔡宗武教授首先介绍了一些背景知识，随后介绍了本场报告的几个关键词：投资组合选择、动态投资组合配置、投资者情绪、来自在线或者媒体信息的大数据、机器学习方法。
在报告中他介绍道，动态投资组合理论在文献中已有不少研究。为了获得好的投资组合表现，投资者需要根据某些预测状态变量导出相应的投资策略，而预测状态变量的构建通常需要使用包括来自大数据的某些文本、在线或者媒体信息。为了充分利用这些在线信息，蔡教授在报告中介绍了两种方法：部分最小二乘法和基于机器学习的 LASSO方法。根据提出的两种方法，他与合作者基于网络搜索指数构建了两个投资者情绪指标。此外，通过考察投资者情绪与股票风险溢价在整个市场水平的关系，他们发现不管是样本内预测还是样本外预测，所构建的投资者情绪指标均有较好的预测能力。
接下来，蔡宗武教授介绍到在线投资者情绪指标通常是高维的。在传统方法里面，为了进行预测，研究者通常需要分两步进行：首先是构建一个低维指标，然后再进行预测。为了克服投资者情绪指标的高维问题，蔡教授在报告中介绍了一种机器学习方法，且在该方法的帮助下，预测可一步完成。蔡宗武教授在报告中还提到当将提出的机器学习方法应用于具体的实证分析时，研究结果表明提出的机器学习方法能够帮助我们更好地理解在线投资者情绪和将来股票收益之间的非线性关系。
最后，蔡宗武教授在报告中还介绍了一种非参数广义矩估计方法来估计投资组合选择，这种估计方法使用投资者情绪指标来选择和更新最优资产配置。他与合作者将提出的方法应用于实证分析，研究结果表明市场择时对投资者情绪的依赖关系是非线性的并且在不同资产之间是变化的。
Atsushi Inoue：Uniform Impulse Response Inference in Structural VAR Models
Atsushi Inoue教授汇报的主题是结构向量自回归（vector autoregression, VAR）模型的一致脉冲响应推断方法。
Inoue教授首先介绍本文考虑的宏观经济学经典问题，即如何对结构脉冲响应进行统计推断。教授指出解决该问题的难点有二，首先是脉冲响应函数的渐近分布可能依赖于数据的持续性，其次是政策制定者们所感兴趣的脉冲函数响应期相比于样本长度而言往往更长。Inoue教授指出，数据的持续性难以确定，而一致推断能够稳健于数据的持续性，这也是本文做脉冲响应函数一致推断的动机。
其次，Inoue教授总结现有文献，包括单变量自回归模型的脉冲响应以及向量自回归模型的脉冲响应的不同推断方法。Inoue教授分析其优缺点，并强调这些方法的统计推断依赖于数据的长度，因此难以考虑长于样本的响应期。Inoue教授指出本文提出的结构脉冲响应推断在参数空间以及在所有响应期上都是一致有效的。
然后，Inoue教授介绍本文考虑的VAR模型的基本设定以及Wald置信区间。该置信区间的优点在于不需要使用delta方法，不足是得到的置信区间可能会比较保守。教授给出模型随机扰动项以及参数空间的一些基本假设，并讨论这些假设的强弱，以及假设中可以放松的点。参考Phillips的工作，Inoue教授给出一致推断的关键结果，并给出该结果在多元情况下的延拓，以及证明该延拓的基本思路。
接着，Inoue教授介绍本文的主要结果。Inoue教授首先给出VAR模型设定下模型参数估计量的Wald检验统计量，并给出其渐近性质以及相应的置信区间。基于参数估计量，Inoue教授介绍脉冲响应估计量的Wald统计量及其置信区间的构建方法。
最后，Inoue教授设计模拟实验，给定样本长度和重复次数生成一系列二元VAR数据，以测试不同VAR系数以及响应期下脉冲响应函数估计量的置信区间。Inoue教授首先展示了简约式脉冲响应的估计结果，结果表明Inoue教授提出的方法在不同VAR系数和响应期下都非常稳健。接着，Inoue教授将本文提出方法的置信区间覆盖率与现有方法对比，凸显其优势。
孙一啸：Support Vector Decision Making
报告一开始，孙一啸教授介绍了这一研究成果是在效用框架内考虑二元决策，主要是将现在非常流行的人工智能和机器学习方法支持向量机整合到经济学家关心的效用框架中。
接着，孙一啸教授为我们介绍了传统二元决策问题的基本设定：给定一个信息集，决策者通过最小化平均损失函数或者最大化平均效用函数给出一个最优决策准测。但是效用最大化问题有以下几点不足：没有考虑训练点与决策边界的距离、目标函数不连续以及需要复杂的优化算法。同时，孙教授还指出，效用框架下二元决策问题的损失函数依赖于协变量，有别于传统支持向量的损失函数，因此支持向量机不能直接应用。
为了解决传统支持向量机不能直接应用的问题，孙一啸教授提出将目标函数中与协变量有关的“截断函数”视为系数约束为1的协变量，利用增广的信息集进行训练。此外，他的研究没有对训练集的平均效用进行最大化，而是考虑到了训练点与决策边界的距离。将训练点与决策边界的距离称为边际，他们提出了一个最大化边际的优化问题。该问题可转化为标准的二次规划进行求解，克服了效用最大化问题计算复杂的不足。求解产生的一组支持向量决定了决策边界的位置和方向，从而得到了最优决策准则。对于样本外的点，则可利用最优决策准则给出最优决策。
孙一啸教授的研究成果不仅可用于完全可分的样本，对不完全可分的样本也有相应的方法。此外，他们不仅考虑了参数化的决策边界，对非参数的决策边界也有研究。大量的模拟实验表明，在已有文献中考虑的数据生成过程下，他们所提出的方法优于现有方法。
讲座最后，孙一啸教授耐心地回答了参会师生提出的问题。孙教授的报告内容丰富且结构清晰，让参会师生深受启发。
此外，18位报告人在6场分组报告会上做了报告。
（WISE 林安语）
