应用计量经济学

应用计量经济学 (Applied Econometrics)

应用计量经济学是计量经济学的主要分支之一，其核心任务是将经济学理论、数学和统计学方法相结合，利用实际观测数据来估计经济模型、检验经济假说、预测经济变量并评估经济政策的因果效应。与侧重方法论创新的理论计量经济学不同，应用计量经济学关注具体经济问题的实证分析，通过选择合适的估计量和假设检验方法，在非实验数据中识别因果关系。

方法论框架

应用计量经济学遵循「模型设定—估计—检验—诊断—再设定」的迭代工作流程。研究者在经济学理论的指导下建立回归模型，使用最小二乘法（OLS）、最大似然估计（MLE）或广义矩估计（GMM）等方法估计参数，并通过t检验、F检验等统计推断工具进行假设检验。随后，通过残差分析、诊断检验（如异方差性检验、自相关检验、正态性检验）评估模型假设的合理性。在模型出现设定偏误时，研究者需修正模型结构或调整估计方法。

核心方法与模型

应用计量经济学的核心方法体系涵盖多种模型类别。线性回归模型是最基础的框架，基于高斯-马尔可夫定理在经典假设下提供BLUE估计量。当存在内生性问题时，工具变量法（2SLS）和广义矩估计成为必备工具。针对面板数据结构，固定效应模型和随机效应模型能够控制个体异质性，并通过Hausman检验进行模型选择。对于二分选择或计数数据等受限因变量，Logit模型、Probit模型和Tobit模型等离散选择模型被广泛使用。

在时间序列领域，ARIMA模型、GARCH模型和协整分析（Engle-Granger两步法、Johansen检验）处理非平稳数据和波动率建模。向量自回归（VAR）模型用于多变量时间序列的预测和脉冲响应分析。差分中差分法（DID）、断点回归设计（RDD）和倾向得分匹配（PSM）等准实验方法近年来成为因果识别的主流工具。

应用领域与经典案例

应用计量经济学几乎渗透到经济学的所有子领域。在劳动经济学中，研究者使用Mincer方程估计教育回报率，利用DID方法评估最低工资政策对就业的影响。在发展经济学中，随机对照试验（RCT）和工具变量法被广泛用于评估扶贫政策、小额信贷和健康干预项目的效果。在金融经济学中，CAPM和Fama-French三因子模型的检验、波动率的GARCH建模以及事件研究法是最常用的分析工具。

在宏观经济学领域，DSGE模型的估计（使用贝叶斯估计或最大似然估计）、菲利普斯曲线的估计以及货币政策传导机制的分析均依赖应用计量方法。产业组织领域则运用结构估计（如Bertrand竞争模型和需求估计）来评估市场势力和兼并的福利效应。

当代挑战与前沿趋势

当前应用计量经济学面临若干核心挑战。因果识别是永恒的主题——Angrist和Imbens等人发展的局部平均处理效应（LATE）框架以及计量经济学中的诚实推断方法正在重塑实证研究范式。机器学习方法的融合是另一重要趋势，Lasso回归、随机森林、因果森林等工具被引入高维数据的变量选择和异质性处理效应估计。此外，大规模数据（大数据）和非结构化数据（如文本挖掘和卫星图像）的应用带来了新的方法需求，推动着应用计量经济学在数据科学时代不断演进。