时变参数矩条件模型：估计、检验与应用

It is often assumed that the parameter vector is fixed or has abrupt structural breaks in the whole sample for traditional moment condition models. However, the economic policy effect or human being's behavior seldom changes abruptly due to the menu cost, the people's habit, etc. For this reason, it is more realistic to assume that the model parameters change smoothly over time. Therefore, this project firstly assumes the parameters in the moment condition models change smoothly over time, and then proposes local GMM, local SMM and local EMM estimating method. The large sample properties for these estimators will be studied, and tests for the smooth structural change will be built. Secondly, this project examines the large sample properties of the time-varying parameters in the moment condition model under the weak identification. Thirdly, for the high dimensional moment condition models with time-varying parameters, this project proposes a local adaptive elastic net GMM estimating method which can do both the moment selection and parameter estimation automatically and simultaneously. Moreover, it has the so-called oracle property. Finally, this project discusses the estimation and testing for the time-varying risk aversion in the asset pricing model. The research topic of this project is the international hot and frontier, and is of great theoretical and practical significance.

传统的矩条件模型假设其参数向量是固定的，或者在整个样本期内发生急剧的结构变化。然而，因为菜单成本、人们的习惯等因素导致经济政策效应或者人的行为很少发生急剧变化，所以假设模型参数随时间平滑缓慢变化更符合现实。因此，本项目首先假设矩条件模型参数随时间平滑变化，进而提出局部广义矩估计（GMM）、局部模拟矩估计（SMM）和局部有效矩估计（EMM），在这些估计框架下研究时变参数估计的大样本性质，并构建平滑结构变化的检验统计量；其次，本项目将在弱识别情形下研究矩条件模型时变参数的大样本性质以及平滑结构变化的检验问题；再次，针对时变参数高维矩条件模型的估计，本项目提出局部自适应弹性网GMM估计方法，该方法能够同时自动执行矩选择和时变参数估计，并且具有Oracle性质。最后，本项目将研究资产定价模型中时变风险规避参数的估计和检验问题。本项目的研究属于国际热点和前沿问题，具有重要的理论价值与现实意义。

矩条件模型以及广义矩估计方法已经在经济学的实证研究中得到广泛应用。然而，现有文献大多假设数据生成过程平稳并且参数在整个样本期内或者不随时间而变化或者发生急剧的突然变化。在实际中，由于存在菜单成本、习惯等因素，经济政策效应或者人的行为很少发生急剧变化，而是缓慢平滑地变化。因此，假设模型参数随时间而平滑变化更符合现实。. 本项目首先假设矩条件模型中的参数随时间而平滑变化，提出了一个新的局部广义矩估计（LGMM）方法，研究了LGMM以及边界修正的LGMM估计量的大样本性质，构建了针对矩条件模型中平滑结构变化的检验统计量。本项目证明，这一检验统计量渐近服从标准正态分布，并且具有优良的有限样本性质。本项目也将LGMM估计方法应用于研究动态资产定价模型中时变风险规避系数的估计和检验。. 其次，本项目研究了时变参数高维矩条件模型的矩选择和参数估计问题，提出了一个新的局部收缩广义矩估计（SLGMM）估计方法。这一新提出的方法能够同时得到参数估计和矩选择。本项目证明了SLGMM估计量的一致性、渐近正态性。同时，SLGMM估计量具有Oracle性质。本项目也将局部收缩广义矩估计方法应用于研究新凯恩斯-菲利普斯曲线。. 再次，本项目研究了大数据环境下时变完全子集平均（TVCSA）方法。本项目证明了TVCSA估计的一致收敛速度和渐近正态性。特别地，即使所有模型均错误设定情形下，TVCSA估计在Li（1987）的意义上也是渐近最优的。本项目假设子集规模随时间平滑变化，并提出了局部交叉验证方法来获得最优时变子集规模。.最后，本项目围绕相关的经济学和金融学问题开展了一系列的理论和应用研究，例如，对平滑结构变化稳健的分位数单位根检验、对局部误设稳健的广义经验似然模型设定检验、时变有效性和时变羊群行为的检验，等等。. 总体而言，本项目偏向于理论研究，取得了多项原创性的研究成果，为经济学和金融学的实证研究提供了有用的研究工具。