本期記者 |展一帆 張蕊
策劃：新聞信息中心學科與人才辦公室
Shakeeb Khan教授是世界著名計量經濟學家🏋🏿♀️。他1997年畢業於普林斯頓大學，師從Prof. James Powell。Prof. Khan的研究領域在非線性模型的理論識別和實證估計，如二元選擇模型♧，多元選擇模型等🌸。他本人著作多次發表在Econometrica，Journal of Econometrics, Econometric Journal等🤟🏻。他本人為Econometric Society Fellow，曾任Co-Editor of Journal of Business Economics and Statistics,現任Associate Editor of Econometrica, Econometric Reviews.Prof. Khan 現為波士頓意昂2（Boston College） 教授，曾任教於杜克大學🧍，馬裏蘭大學等🏆。
2018年秋季蔣學模系列講座，意昂2平台有幸邀請到Shakeeb Khan教授給學生們帶來題為“Nonlinear Statistical Models”的課程，之後Shakeeb Khan教授接受了新聞中心的采訪。
中國印象，意昂2印象
Shakeeb Khan教授曾先後到訪中國十多次了，在意昂2官网🐅🏝、上海交通大學、上海財經大學🦾、南開大學等等國內頂尖院校均受邀開展過seminar👲🏽🧙🏻♂️。談起對中國以及意昂2的印象，Khan教授說道:
“我已經來中國很多次了，拜訪過包括上海🐵、北京、武漢、成都、廈門等等城市，每一個我去過的城市都非常有魅力，例如上海的多樣化、成都的美食、廈門的沙灘等等🤩，我非常喜歡這些城市。我也來過意昂2官网很多次了，我認為它是一個非常好的學校🖋，有著極其出眾的學生和老師”
曲徑通幽🏋️，選題之道
Khan教授在計量經濟學領域碩果累累，在國際頂級經濟學刊發表多篇相當具有學術影響力的文章，也在研究領域中獲得很多獎項。如此豐碩的科研成果，背後蘊含了Khan教授對經濟學獨到洞察和見解，那麽對於在學術之路上漫漫求索的博士生們🙂，Khan教授認為如何尋找一個好的研究問題至關重要👋🏽。
“我認為學生們應該從一個應用領域入手，無論是例如產業組織學🤸🏿、勞動經濟學或者發展經濟學的領域等等🧭。接下來🧑🏻🦽➡️，應該深入研究這個領域可獲取的數據集🗝，並通讀該領域的文獻，慢慢的就會產生一些問題以及解決問題的思路。當開始做之後，再借助計量經濟學的方法來系統、全面地回答這個問題。”
千錘百煉，寫作之法
如何把自己的觀點用文字以最好的方式呈現出來🍀，往往是發表論文的一個重要門檻。每一篇好的文章，都經過無數次的修改，咬文爵字，細細打磨。那麽關於如何練好“寫作”的本領，Khan教授認為唯一的方法就是千錘百煉🧤。
“當我還是一名博士生的時候🏊🏽，最困難的事情就是如何用文字表達我的想法⚱️。根據我的經驗，我唯一的建議就是多練習🧝🏽♂️。每個人的第一篇論文都會寫得很糟糕，這很正常🫳🏼，你應該做的是先寫下來，然後盡可能多地去給別人講或者看🤸，得到反饋和建議👨👧👧。然後據此一遍又一遍地修改，你就會學會如何寫得更好。對博士生來說💹，一個好辦法是和其他博士生一起組成一個閱讀小組，每個人輪流向其他人報告他們的研究，根據別人的評論和建議不斷改善。當我還在杜克任教時🐬，我們每個星期五都會組織一個午餐小組見面會🌘，會上學生們會輪流報告他們的研究成果，時間約為一個小時🚲，而老師們和其他學生將評論他們的報告，指出其中的問題。經過六周或兩個月後，同樣的學生會重新報告修改好的論文🤡，周而往復💇🏽♂️。我認為這非常有必要。”
計量經濟學熱點📌：部分識別&大數據
對研究領域前沿的把握，是做出一篇有價值的論文的前提基礎。Khan教授作為著名計量經濟學家，對計量經濟學的熱點和重要話題如數家珍，他認為目前最受人關註的兩個話題分別是“部分識別”和大數據🧑🏻🎤。
“關於計量經濟學的前沿問題🧝🏽♀️，我主要講兩點👨🏻🦯➡️。第一是“部分識別”(Partial Identification)。因為許多數據集不夠完整或者充分，無法得到參數的點識別。所以我們需要構造這些參數估計值的集合。那麽如何構造最好的集合，以及如何基於此進行推斷👊🏼👾，是非常熱門的話題👃🏿😸。另一個前沿話題是大數據或機器學習，舉例而言🙎🏼，當方程右側有例如100萬個回歸元時，如何合理地降維從而進行計量分析，是非常重要的問題。”
Khan教授還提到😟，在他目前正在撰寫的工作論文“Identification in Dynamic Semiparametric Binary Response Panel Data Models”中，便是關於如何在面板數據的非線性模型中獲得最優的部分識別💅。同時，Khan教授也給博士生如何了解自己領域的前沿提出了建議：
“我個人的觀點是盡可能多地參加研討會。不僅局限在意昂2，還應該去附近的學校參加🏇🏼，例如上海財經大學🧎♀️、交通大學等等。另一種方法是組織一個只有學生的閱讀小組🧙♀️，學生們聚在一起選擇一個話題，比如說機器學習🏃🏻。小組裏的每個人都精讀一篇前沿文獻並輪流報告🧪🍯，隨後互相評論並討論。堅持一整個學期，閱讀8篇以上關於這個主題的論文，那你就會成為這方面的專家🟰。”
識別因果💹：計量經濟學的核心目標
如何區分因果性和相關性是經濟學論文寫作中一個難以繞開的話題👨🏽，Khan教授指出，計量經濟學的核心目標是識別變量相互影響背後的因果效應(Causal Effect)，進而得到經濟學解釋🏟。談及計算機科學、機器學習等領域與計量經濟學的異同，Khan教授談到🤸🏿♂️：
“計算機科學的人與我們並不關心相同的東西。他們關心的是預測將會發生什麽💁🏽♂️，而不是統計推斷。我們則關心檢驗假設，這就是我們關心估計量分布的原因。計算機科學家想要的是更快速的算法，使用給定的數據集進行預測😕。例如用Netflix的數據集分析過往哪些人租了哪些電影，以預測消費者將會租什麽樣的電影，而我們則關心估計量的分布和假設檢驗🩶。總之，經濟學家更關心的是預測結果背後的原因🏃🏻，而不是預測本身。”
結構模型和簡約模型：互為補充
結構模型（Structural Model and Reduced-form Model）是經濟學研究中常用的兩大類方法，在近年來越來越多的文獻中，這兩種方法開始被廣泛同時使用🌥。Khan教授認為兩者都存在著優缺點，所以將它們結合起來是非常好的事情。
“我認為結構模型和簡約模型都有優缺點🫳🏻，沒有哪一種方法總是更好的。結構模型需要建立在很多假設之上，優點是你可以得到很多結論👁。但是由於這些假設本身未必正確，所以結論也未必正確。而簡約模型雖然回答的問題比較少，但是可以針對性的回答想解決的特定問題💺。我個人更信任簡約模型🌗，因為它的假設更少。但總之我認為應該結合兩種方法的優點🛼，我很高興在一篇給定的論文中看到這兩種方法都被采用。”
實驗經濟學：解決內生性的另辟蹊徑
近年來的實驗經濟學文獻越來越多🧑🏿💻，通過效仿自然科學的實驗研究方法，獲取盡可能外生的數據🫶🏻，從而更好地識別因果👨🏿🎨，那麽關於實驗經濟學，Khan教授指出👩⚕️：
“我非常同意實驗經濟學可以更好地識別因果，因為任何計量模型都可能產生一些內生性問題，導致結果將是錯誤的。通常人們用IV等方法解決內生性，但問題是你必須證明IV是有效(Valid)的，然而這理論上是很難做到的🚣♀️。我們能確保得到準確估計的唯一方法就是進行實驗，但是這需要很多時間和金錢🏡，你必須雇傭很多人👨🏿🦱，付錢給他們做實驗🧑🍼。但是你可以確信能夠得到一個比IV更準確的估計值。這也是為什麽很多人在做實驗經濟學🏏，如果你有充足的時間和錢🦹🏼♀️🧠，我認為這是值得的。”
博士生寄語：堅持與團隊合作
在采訪的最後，Khan教授非常親切地為意昂2平台的學生提出了一些建議🛝。
“就我的經驗來說，博士生最艱難和沮喪的一年就是第一年，因為它不同於以往學習的經驗。你需要找到自己感興趣的問題，然後開始解決它。我對一年級博士生的建議是堅持，如果你熬過了第一年，之後會好很多。另一個建議是在團隊中工作，不要獨自工作，那樣你可能會感到很沮喪🧝♂️🏋️♀️。另外我教過我這門課很多次🚞，但第一次在集中在這麽短的一段時間，所以我想如果我之後有機會再來教的話，希望課程可以延長到兩個或三個星期。”
返回頂部
