上海财经大学统计与数据科学学院严雅毅副教授与莫纳什大学高集体教授、巴斯大学刘斐副教授和莫纳什大学彭彬教授合作，近期在国际计量经济学顶级期刊Journal of Econometrics发表论文“Robust Estimation and Inference for High-Dimensional Panel Data Models”（Journal of Econometrics, 258, 106342, 2026）。
该研究聚焦于高维面板数据中的稳健估计与统计推断。针对现实经济与金融数据中普遍存在的高维性、时序相关、截面相关、异方差和厚尾分布等复杂特征，论文建立了一套从变量选择、参数估计到协方差矩阵估计和统计推断的系统方法。
研究背景：复杂依赖下的高维面板推断
随着经济与金融数据库规模不断扩大，研究者越来越多地面对包含大量候选解释变量的面板数据。LASSO 等高维方法能够解决变量选择问题，但现实数据往往还同时存在时间和截面两个方向的相关性，并具有异方差、厚尾和非正态等特征。
如果忽略这些复杂依赖结构，即使能够完成变量选择，也可能得到失真的标准误、置信区间和显著性判断。因此，本文关注的核心问题是：在高维、双向依赖和非高斯环境下，如何进行可靠的估计与统计推断？
核心理论：从概率工具到完整推断框架
论文首先在物理依赖（physical dependence）框架下刻画时间序列相关，同时允许较为一般的截面相关，并建立了两类关键的 Nagaev 型集中不等式，分别针对高维面板数据中的偏和与二次型，为后续高维理论分析提供基础概率工具。
在此基础上，论文构建了一套完整的推断程序：利用 LASSO 进行变量选择和参数估计，通过 nodewise LASSO 构造去偏估计量，并提出阈值化HAC（thresholded HAC）估计方法以稳健估计高维长期协方差矩阵，从而实现置信区间和显著性检验。
论文还进一步将该方法推广到带有交互固定效应（interactive fixed effects）的高维面板模型，使其能够同时处理大量解释变量和不可观测共同因子。
重要发现：忽略截面相关可能导致“虚假显著”
论文的一个重要发现是：在高维面板数据中，忽略截面相关可能导致标准误被低估、置信区间过窄，进而产生“虚假显著”。
蒙特卡洛模拟和美国股票收益的实证分析均表明，本文方法能够更准确地刻画估计不确定性；相比之下，不能充分处理截面相关的方法容易将更多变量错误地判定为显著。
这一结果表明，在高维面板数据中，“选出变量”只是第一步。只有进一步正确处理时间依赖、截面依赖和非高斯性，才能获得可信的标准误、置信区间和显著性结论。本文由此为资产定价、公司金融、宏观经济等领域中的高维面板数据分析提供了一套系统而稳健的统计推断工具。
作者简介：
高集体，莫纳什大学商学院讲席教授。
刘斐，巴斯大学经济系副教授。
彭彬，莫纳什大学商学院教授。
严雅毅，上海财经大学统计与数据科学学院副教授。
