6月19日，2019世界计量经济学会中国年会第二日于暨南园精彩继续，四位顶级经济学家为大家带来了更多精彩的学术盛宴。一起来回顾今天的主题演讲吧！
主会场四大主题演讲
陈晓红
耶鲁大学Malcolm K. Brachman经济学教授，美国艺术与科学学院院士，2017年中国经济学奖获得者，第一位来自中国大陆的世界计量经济学会院士。曾获得计量经济学顶级期刊Econometric Theory 颁发的Multa Scripsit奖、应用计量经济学Richard Stone奖，以及理论计量经济学Arnold Zellner奖。多次获得美国国家科学基金会奖金，也担任多本顶尖期刊的副主编，如Econometrica、Review of Economic Studies、Quantitative Economics等。
陈晓红教授在题为“Identification-Robust Quasi Likelihood-Ratio Inferences on Functionals of Increasing Dimensional Structural Models”演讲中介绍了她与合作者最近的研究工作——利用筛分方法（Sieve method）对高维度结构模型进作统计推断。在演讲中，她提到如今因为更易获得的大数据及算力更强的计算机，非参数估计和半参数估计在经济学的实证研究中频繁得到应用。然而在大部分统计推断方法中，要获得关注参数（parameters of interest）的点识别以及渐进分布，往往需要对冗余参数（nuisance parameters）的分布作出较强的假设。
当放松对于冗余参数的假设时，关注参数会出现偏误、渐进速度未知、点识别无法实现、部分识别（partial identification）的渐进分布未知等情况，且有时无法分辨放松假设带来的具体后果。陈晓红教授及其合作者的一系列文章提出，放松假设后，仍可以利用他们提供的筛分方法对关注参数进行统计推断，这一方法适用于点识别以及可能出现的部分识别等情况。随后教授展示了实证研究中这一方法的具体应用。
Whitney Newey
麻省理工经济学Ford讲席教授，研究领域主要为计量经济学。美国艺术与科学学院院士，世界计量经济学会院士、行政委员会成员、理事会成员，微观数据方法及应用中心国际成员，行为科学研究中心成员。
Whitney Newey教授在题为“Debiased Machine Learning of Treatment and Structural Regression Effects”介绍了如何利用去偏误机器学习（debiased machine learning）的方法在拥有大量冗余参数的模型中，对小部分所感兴趣的参数进行估计。
所提出的估计方法和建立的相关重要统计学性质，使得该方法可以运用到经济学和其他社会学学科普遍感兴趣的基本估计问题，如通常关心的平均效应或结构模型参数。
在估计有高维度参数的模型时，简单地运用现有的利用机器学习方法往往会由于正则化和overfitting而产生严重的偏误估计量。Newey教授指出，机器学习往往注重预测，其估计的系数不仅存在偏误，且标准误常常约等于估计偏误，因此机器学习的估计量无法推导出渐进分布，并进行统计推断。
Whitney Newey教授及其在麻省理工大学的合作者们在该项研究中所提出的去偏误机器学习的方法，又成为双（double）机器学习。顾名思义，他们文章提出了两个关键的技术，从而去除通常机器学习算法所产生的偏误。除了估计方法本身的实用性和普遍性之外，该文严谨地证明了估计量的相关统计性质，这也是该文的一大理论贡献。
Enrique Sentana
货币金融研究中心（CEMFI）教授，研究领域为金融计量与资产定价。世界计量经济学会院士、行政副主席，金融计量经济学会院士，西班牙经济学会院士。
Sentana教授在题为“Hypothesis tests with a repeatedly singular information matrix”首先说明了现有文献中关于线性平均得分（average score）向量渐进于零时，信息矩阵会趋向于奇异。随后介绍了李龙飞教授和Andrew Chesher教授在1986年的关于奇异信息矩阵的先导性研究（Lee and Chesher 1986），他们的论文研究了具有选择性单变量的II型Tobit模型、随机生产前沿模型以及混合模型，他们论文中的所有例子在零假设下得分总和的估计参数均不异于零，因此这种情况下他们的研究对零假施加了更严格的条件。Sentana教授也说明了尽管通常情况下二阶导会满足充分条件，但是对三阶甚至更高阶的条件的研究也是有必要的。
在目前的研究中，对在原假设下，信息矩阵零化度（nullity）大于1的研究仍然存在不足。因此，Sentana教授及其合作者的研究目的正是提出一个可行的基于Lee and Chesher (1986)的方法的推广模型，使其在极值型检验中渐近等价于其相应的似然值比例检验（Likelihood Ratio test）。由于Wald检验对于重新参数化（reparametrisation）有较高的数值敏感性，在这篇文章中，作者们将不对Wald检验进行讨论。
这篇文章从以下四个方面具体展开：1. 检验针对Hermite expansion的多变量正态copula；2. 单变量序列相关中的高阶倍增序列相关（multiplicative serial correlation）检验；3. 多变量II型Tobit模型的选择性检验；4. 针对偏态备择假设的多变量正态分布检验。
Christian Dustmann
伦敦大学学院经济学教授，移民研究和分析中心创始主任，英国学院（FBA）、德国国民科学院（Leopoldina）、欧洲科学院（Academia Europaea）和劳动经济学家协会（SOLE）院士。欧洲劳工经济学家协会（EALE）现任主席，并于2008年担任欧洲人口经济学会（ESPE）主席。研究发表于Quarterly Journal of Economics、the American Economic Review等国际权威期刊。
Dustmann教授在题为“The Impact on Regions and Workers”首先指出移民对于本地的劳动力市场可能带来的冲击是一个学界和公众都非常关注的话题，但学界对移民对劳动力市场的影响却无法达成共识，而他提出这是由于不同的结果其实是由于研究问题的差异导致的。Dustmann教授的研究基于1990年开始捷克移民获取许可进入德国部分地区进行通勤工作这一事件带来的外生劳动供给冲击，据此回答了两个相似但不同的问题——移民对当地的劳动市场的影响，以及移民对移民冲击发生时居住在当地的劳动者的影响。对于前者，他使用的是地区方法（regional approach）通过地区面板数据进行估计；对于后者，他使用的是个体方法（individual approach），通过个体面板数据追踪个体来进行估计 。
他的研究发现，个体方法估计出的移民对移入地劳动者就业机会所产生的负向影响显著小于用地区方法的估计结果，进一步分解的结果发现，这个差异主要是由于移民冲击后的跨地区人口流动导致的。因此，Dustmann教授强调，在移民问题的研究中，需要尤其注意估计的参数是否对应了研究者所提出的具体问题。看似相同的估计参数实际上回答的是不同的研究问题，研究者在研究中需要对此非常谨慎，才能针对关注的问题得出可靠的答案。
平行会场精彩图瞬
