合作者：洪圣杰，苏良军，江涛

论文简介：本文把机器学习的新兴方法核范数正则化(nuclear norm regularization)与经典广义矩法 (GMM)深度融合，提出了对于存在内生性解释变量和交互固定效应的面板模型的估计方法。该研究的主要贡献在于：一、在交互固定效应存在的同时允许解释变量具有内生性（在此之前的关于交互固定效应模型的理论方法都要求解释变量是外生的），大幅拓展了交互固定效应面板数据模型在实证研究中的应用范围；二、核范数正则化的机器学习方法与广义矩法估计的深度融合，使得此项研究提出的新估计方法在算法表现上更稳健和省时，并且不依赖一些常见的为保障初始估计一致性所做的技术性假设（这些假设常见于当前主流的单纯基于主成分分析的交互固定效应模板估计方法中)；三、该研究为使用微观数据估计国际贸易中的一个重要参数，进口需求的价格弹性，提供了重要的计量框架。

作者介绍：洪圣杰，经济学管理员聘副教授。研究课题涉及高维数据模型、机器学习方法、结构性分析和中国经济等方向。2012年在美国威斯康辛大学麦迪逊分校获得经济学博士学位。2012年9月至2021年7月在清华大学经济管理学院任助理教授。学术研究发表在Journal of Econometrics，Journal of Comparative Economics,《管理世界》、《金融研究》和《中国工业经济》等国际国内高质量学术期刊。

更多精彩内容请查看原文：

https://doi.org/10.1016/j.jeconom.2022.07.010