2019年11月6日下午13时30分，由中国人民大学经济学院主办，数量经济学教研室负责的数量经济学Seminar在明主734进行。来自伦敦城市大学的王法博士做了题为《Maximum Likelihood Estimation and Inference for High Dimensional Nonlinear Factor Models with Application to Factor-augmented Regressions》的报告。

王法老师现为Cass Business School at City university of London的助理教授，他于2016年在Syracuse University获得经济学博士学位。主要研究方向包括面板数据模型、金融计量和资产定价。他曾在Journal ofEconometrics和Econometric Reviews等高水平期刊上发表过多篇论文。

王法老师首先介绍了线性因子模型及其在资产定价、面板数据、预测和Factor-augmented VAR模型等领域的运用。接着王老师介绍了非线性因子模型的一般结构，详细讲述了Logit, Probit, Tobit和Volatility factor等具体模型的结构和思想。随后对非线性因子模型在宏观预测、风险管理及经济评估的运用进行了介绍，并指出其如何弥补线性因子模型的不足之处。Fa Wang老师随后对非线性因子模型的经典文献进行了简要回顾，然后报告了如何运用最大似然估计（MLE）求解非线性因子模型。他证明了由于因子的结构，MLE中Hessian矩阵上对角线上的元素远大于非对角线上的元素，因此是渐近对角的，这一性质有助于解决高维非线性因子模型中待估参数过多和参数估计误差不存在解析表达式等问题。他指出本次报告中的文章首次解决了不考虑稀疏性情况下高维MLE求解的问题。接下来，王老师给出了报告中非线性因子模型参数估计的收敛速度和极限分布，并指出了其与线性因子模型相关结论的区别。为了研究该模型的有限样本性质，还报告了多种数据生成过程（DGP）下Monte Carlo模拟的结果。报告最后给出了模型的两种求解算法，并重点介绍了Minorization Maximization算法求解模型的相关细节和优良性质。

本次研讨会由章永辉老师主持，经济学院韩松教授和李勇教授，以及数名数量经济学专业的博士生和硕士生参加了此次研讨会，并就非线性因子模型假设中的矩条件设定、MLE中的惩罚项、Minorization Maximization算法和EM算法求解、模型选取准则等问题进行了讨论。

供稿:魏晓萌;编辑:杨菲;核稿:韩松