現場合影

2025年5月28日，美國藝術與科學學院院士、耶魯大學Malcolm K. Brachman經濟學教授陳曉紅受邀蒞臨北京大學光華40年“頂尖學者學術講堂”，分享了她的研究On Local Over-identification and Semiparametric Efficiency in Potential Outcome Casual Models與Efficient Difference-in-Differences and Event-Study Estimators。她結合大數據與機器學習技術對傳統經濟學研究的沖擊，系統地揭示非參數過度識別模型在提升因果推斷效率與檢驗效能中的重要作用，為生成式人工智能（GAI）時代的復雜經濟分析提供了新范式。北京大學光華管理學院商務統計與經濟計量系主任、教授虞吉海主持了本次活動。

虞吉海

On Local Over-identification and Semiparametric Efficiency in Potential Outcome Casual Models

在GAI與大數據技術蓬勃發展的今天，僅憑傳統依賴數據相關性的分析而缺乏有效的經濟模型，難以揭示變量間的因果關系。而構建科學的經濟因果模型成為破解這一難題的核心路徑。陳曉紅指出，半非參數模型既能避免完全參數化模型的函數形式錯誤，又能比完全非參數模型提供更有信息量的估計與推斷，還支持過度識別的模型設定檢驗，因此具有更多優勢。她在2018年的研究中就提出了局部過度識別定義，認為過度識別是經濟計量模型獲得有效估計量的重要條件，同時也是構建非平凡模型檢驗的基礎。并進一步指出，局部過度識別的模型中存在顯著的有效性增益和非平凡的檢驗，這體現了經濟模型設計中的效率和檢驗能力之間的本質聯系。

陳曉紅

陳曉紅進而分析了不同因果推斷模型的識別狀態與效率界存在差異。未混淆模型（unconfoundedness）為全局恰好識別模型，不存在效率增益，Hahn (1998) 與 Hahn 和 Ridder (2013) 分別提出了非參數插補法與傾向得分匹配法，都能達到半參數效率界。然而當傾向得分已知時，模型變為局部過度識別，但效率界未改變，反映出特定條件下模型識別狀態不一定影響效率界；雙重差分（DiD）模型在兩期數據情景下是全局恰好識別模型，多期或交錯處理時可能出現局部過度識別，進而獲得顯著效率增益與非平凡檢驗能力，這在現代DiD方法應用中多有采用。伴隨著多期數據引入能夠更有效利用歷史數據，從而提升估計精準性和檢驗可靠性；工具變量（IV）模型的局部識別狀況取決于約束條件是否緊密。當約束條件在一定測度集合上嚴格成立時，局部模型為過度識別，可采用更有效估計策略。若約束條件不嚴格，則模型為局部恰好識別，不存在效率增益空間。因此，對約束條件的嚴格性分析是IV模型應用中的重要步驟。

研究表明，傳統因果推斷框架中的局部過度識別通常依賴于干擾參數的參數化建模實現，但此類模型面臨雙重局限：一方面缺乏堅實的理論支撐與實踐依據，另一方面在機器學習技術盛行的背景下，其參數化假設與非結構化數據特征的兼容性不足，導致應用場景日益受限。現代因果推斷文獻大多屬于局部恰好識別范疇，限制了規范檢驗的有效性與估計效率的提升空間。與之形成對比的是，傳統參數化結構模型通過明確的過度識別約束設定，能夠系統地整合多重矩條件，從而實現估計效率的提升與非平凡檢驗體系的構建。上述研究發現揭示了一個重要方法論啟示：在高維數據與復雜因果推斷需求交織的現代分析框架下，需強化對模型過度識別的理論探索與實證應用，通過挖掘數據隱含的約束條件優化識別策略，進而提升因果分析的穩健性與效率邊界。

Efficient Difference-in-Differences and Event-Study Estimators

在最新的研究中，陳曉紅提出了一種高效的雙重差分（DiD）與事件研究（Event-Study）估計方法。DiD和ES是計量經濟學中廣泛應用的因果推斷工具，但存在如處理前時期信息使用缺乏依據易導致精度損失、有限樣本功效未系統評估、多種結果報告缺乏判斷準則等若干關鍵計量問題。

文章提出統一框架，在“平行趨勢＋無預期”假設下對DiD與ES進行半參數效率分析和比較。研究以觀測變量聯合分布約束重述DiD識別，在多場景下推導半參數效率界，證明達效率上界需對處理前時期與未處理組非均勻加權，指出即便在最簡單設計中效率提升亦具有實證意義。進而證明了DiD模型在非參數意義下通常過度識別，可利用額外矩條件提高效率。在“大n、固定T”框架下，研究基于有效影響函數構建封閉式估計量，其權重與各比較組及各處理前時期的（條件）協方差成比例，天然滿足 Neyman 正交，便于與機器學習配合。效率界表明等權使用前期或僅選最后一期做基線通常非最優，應按信息量差異以協方差驅動權重聚合。此外，陳曉紅在研究中提出無需附加同方差或序列相關假設的非參數 Hausman 類檢驗，用于檢測是否應排除某些前期基線或比較組，并給出可視化方案評估結果對識別假設的敏感度。

該研究與現有多時期、異步處理的DiD估計量形成互補。傳統雙向固定效應模型因對處理效應異質性的刻畫局限，在多期數據場景中易導致權重混合偏誤，而對時間維度或組別特征的簡化假定進一步引發信息損耗與效率損失。本研究構建的半參數效率界理論框架，為評估不同估計方法的有效性提供了統一基準，助力研究者在模型設計中實現效率-穩健性的動態權衡。此外，研究將DiD與ES的識別信息進行系統化刻畫，提出漸近達到信息理論極限的高效估計量，并開發配套的非參數檢驗工具與可視化分析方案，為因果推斷實踐提供了兼具統計精度與操作便捷性的全新方法論路徑。

在GAI時代背景下，隨著經濟計量學與人工智能的深度融合，非參數過度識別與有效學習的重要性日益凸顯。這一前沿領域不僅能夠顯著提升模型估計的效率與精準度，更為未來的因果推斷和政策分析構筑了更堅實的理論根基與方法支持。在演講尾聲，陳曉紅強調，未來研究需進一步探索多維經濟場景中模型的局部過度識別的實現路徑，充分挖掘數據潛在信息、提升分析效能；同時構建跨模型設定的有效性邊界分析框架，持續開發更靈活、強健的檢驗方法，以適配復雜多變的現實經濟情境下非線性、高維動態的因果推斷需求。

在學術對話環節，陳曉紅與在場學者就過度識別模型下的工具變量優化配置、機器學習算法與半參數模型的耦合機制等前沿問題展開了深入的交流與研討。活動最后，虞吉海代表主辦方為陳曉紅贈予活動紀念牌，誠摯地感謝其帶來的前沿學術分享。

贈送紀念牌

光華40年“頂尖學者學術講堂”

Guanghua's 40th Anniversary Top Scholar Forum

為加快推進“雙一流”優勢學科建設及學科高質量發展，落實2030年整體達到世界頂級商學院研究水準并兼具中國特色的建設目標，光華管理學院以40周年院慶為契機，推出“頂尖學者學術講堂”系列活動，邀請全球頂尖學者和權威專家來院舉辦講座和交流活動，旨在深度探索經濟學和管理學領域的重要科學問題和前沿問題，鼓勵跨學科創新，拓展研究范式邊界，啟迪新的思想理念，加強國際前沿學術交流，提升學術研究的國際影響力。

The "Top Scholar Forum" series, launched to celebrate the 40th anniversary of the Guanghua School of Management and promote the high-quality development of academic disciplines, brings together top scholars and experts from around the world. Through lectures and academic exchanges, the forum focuses on frontier issues and key topics in economics and management, employing innovative academic paradigms and scientific methodologies. It encourages interdisciplinary innovation and the exploration of practical challenges, showcasing the latest research and sparking new ideas and perspectives. This international platform for academic dialogue aims to enhance Guanghua’s academic contributions and further elevate its global influence in the fields of economics and management.

來源 |北大光華學術資訊

編輯 |王蒙

審閱 |塔娜

近期發布：

數智領航 案例啟新丨第四屆北大光華案例日論壇舉辦

全球視野下的人工智能治理研討會在北京大學舉辦