2025年6月19日至20日，由香港中文大学（深圳）经管学院主办的“2025计量经济学研讨会”成功举行。本次研讨会汇聚了海内外计量经济学领域的顶尖学者及杰出科研人员，在为期两天的会议中，与会嘉宾通过论文报告等形式，分享了最新研究成果，围绕领域内的突破性进展、方法论创新与前沿发展趋势展开了深入研讨与交流。本次研讨会不仅有效促进了学术思想的深度交流，也为推动计量经济学理论与实践的融合创新搭建了重要平台。

开幕致辞

港中大（深圳）经管学院副院长、深圳高等金融研究院副院长艾春荣教授致开幕辞，他简单介绍了学校近些年来的发展，并对各位与会嘉宾的到来表示热烈欢迎。他指出："人工智能（AI）与大数据技术的迅猛发展正深刻改变计量经济学研究范式，诸多前沿议题亟待学界共同攻坚。"他期待大家在为期两天的研讨会中深度解构计量经济学新方法、新趋势，共探该领域的新疆域。

论文研讨

6月19日

Regression Discontinuity Design with Spillovers

威斯康星大学麦迪逊分校Yong Cai教授及其合著者的研究，针对断点回归设计（RDD）在存在溢出效应（Spillover Effect）时的适用性进行了理论扩展。传统RDD方法假设处理单位之间不存在相互影响，但在实际应用（如政治宣传或地理边界相关政策评估）中，邻近个体常因交流或模仿产生溢出效应。该研究在"线性均值形式"（Linear-in-Mean）溢出效应假设框架下，系统推导了RDD估计量的渐近性质。结果表明，RDD所识别的效应取决于溢出半径与回归带宽的相对大小：当溢出半径远大于带宽时，识别的是直接效应；当带宽远大于溢出半径时，识别的是总效应；若两者相近，则估计值为时间效应。为实现效应分离，研究提出在局部回归中引入邻里影响变量，从而提升因果推断准确性及RDD在实证应用中的可靠性。

Cluster-Randomized Trials with Cross-Cluster Interference

加州大学圣克鲁兹分校Michael Leung教授的研究聚焦于集群随机试验（CRT）在空间分布不规则且缺乏自然社区划分时面临的跨集群干扰（Cross-Cluster Interference）问题。传统CRT方法通常假设集群间无干扰，但在地理边界模糊、个体互动频繁的场景下，这一假设往往难以成立，易导致估计偏误。该研究在空间干扰模型下，从分析与设计两个维度系统提出解决策略：在分析阶段，建议剔除未被同处理组集群包围的个体以显著降低偏误；在设计阶段，则通过建立集群数量选择的偏误-方差权衡框架，阐明较大集群规模有助于控制干扰但会增加方差，据此提出平衡原则。此外，研究论证了采用K-Medoids等无监督学习算法划分集群的理论可行性，为集群设计提供新工具。该成果为复杂空间结构中的CRT设计与分析提供了系统方法论，可应用于传染病试验、现金转移支付项目等场景。

Policy Learning with Compliance Guarantee

英属哥伦比亚大学Kyungchul Song教授及其合著者的研究聚焦于预算约束下政策迁移与部分依从（Partial Compliance）问题。该研究将政策学习建模为可迁移性（Transferability）问题，即如何利用源人群数据为目标人群制定有效政策。不同于现有假设完全可迁移性的文献，研究强调：处理效应与成本虽可外推至目标人群，但个体参与激励不可迁移。在预算约束与个体自选择情境下，政策制定者需同时考量政策效果及接受率对总成本的影响。研究基于近似一阶随机优势（AFOSD）约束，推导出最不利情形下的处理效应下界，证明最优政策为基于"处理回报率"（Returns-to-Treatment）的门槛规则：当个体回报高于阈值时接受干预。该方法可通过源人群数据实现一致估计，为资源受限、依从不完全场景的稳健最优政策设计提供理论工具。

Policy Learning with Confidence

伦敦大学学院的Liyang Sun教授及其合著者提出了Policy Learning with Confidence（简称PoLeCe）方法，旨在解决数据驱动政策选择中因估计不确定性导致的风险。与传统单纯依赖点估计的经验福利最大化（EWM）策略不同，PoLeCe方法通过控制政策效益估计的置信下界，在政策效益估计值与其不确定性间建立平衡，确保实际效果以预设概率不低于该下界，从而提升政策选择的稳健性。该方法适用于预算分配、个体化干预及结构估计模型下的政策评估等场景。理论上，PoLeCe可在"效益-风险前沿"上选取最优政策，有效权衡估计偏误与方差。基于美国多项社会项目的边际公共资金价值（MVPF）估计实证表明，该方法在预算配置中具有优势；蒙特卡罗模拟与多项实证研究进一步验证了其有效性与适用性。

6月20日

Adaptive Experimental Design for Efficient Average Treatment Effect Estimation and Treatment Choice

AI Lab, CyberAgent, Inc. 的Masahiro Kato博士及其合著者的研究提出一种基于自适应实验的高效平均处理效应（ATE）估计方法。该方法通过动态更新处理分配概率，最小化ATE估计的半参效率边界（Semiparametric Efficiency Bound），实现估计效率优化。研究定义了最优处理分配概率，并设计自适应实验算法框架，在实验中实时估计并应用该概率。为实现估计效率最优，研究构建了新型A2IPW估计量（自适应增强逆概率加权估计量） ，证明其渐近方差达到半参效率下界。此外，提出支持任意实验轮次的非参数置信区间构造法，可进行序贯检验与早期终止，显著降低样本量需求。该方法兼具理论严谨性与实践可行性。

Welfare Analysis in Dynamic Models

麻省理工学院Whitney Newey教授及其合著者的研究提出动态结构模型的福利测度体系，并在高维状态空间下建立其估计与推断方法。福利指标包括平均福利、边际福利效应均值，以及类Oaxaca-Blinder分解的直接与间接效应。研究构建"动态对偶表示"（Dynamic Dual Representation）与"双重稳健"（Doubly Robust）表达式，使偏差修正项仅由目标指标泛函决定，无需获知偏差项显式形式。研究证明：特定模型下平均福利无需估计价值函数。此外，偏差修正适用于任意价值函数估计量，包括Lasso、神经网络、随机森林与Boosting等高维方法。针对高维状态空间，研究提出价值函数的Lasso/神经网络估计量及其动态对偶表示，并建立收敛速率理论。该方法具有理论稳健性，可应用于高维状态空间的动态福利分析。

Testing for the Minimum Mean-Variance Spanning Set

加州大学洛杉矶分校Zhipeng Liao教授及其合著者聚焦于资产选择与均值-方差效率问题，其核心在于识别最小生成集（Minimum Spanning Set, MSS）——即在均值-方差框架下能复现全体资产效率边界的最小资产子集。现有文献仅能检验某资产组合对基准效率边界的扩展能力，但无法识别构建前沿的关键资产。为填补空白，研究提出新型MSS估计与推断框架：首先在协方差矩阵非奇异条件下证明MSS存在唯一性，并构建资产归属MSS的统计检验量；针对估计不确定性与时序数据特性，引入移动区块自助法（Moving Block Bootstrap, MBB）与多重假设检验中的逐步向下法（Step-Down Procedure）实现统一推断。实证部分基于股票动量因子及经典收益因子，评估资产在均值-方差效率中的相对重要性。结果表明，动量因子在MSS中持续显著，研究同时量化了各类资产的边际贡献并建立重要性排序。

Inference in Linear IV Regression That Is Robust to Weak IV's and Misspecification

威斯康星大学麦迪逊分校Xiaoxia Shi教授及其合著者的研究聚焦于线性工具变量（IV）模型中弱工具变量与模型误设（如无效IV或非线性）并存时的稳健推断问题。研究引入"伪真值"（Pseudo-true Value）概念，用以刻画模型误设下仍可识别的目标参数。通过系统分析AR、LM、CLR（条件似然比）及2SLS-t等弱工具变量稳健检验的伪真值性质，发现仅2SLS-t检验具备唯一可解释的伪真值。基于此，研究提出新型t检验方法对伪真值进行推断，该方法同时对弱识别与模型误设具有稳健性。理论分析与数值模拟表明：当工具变量维度k→∞时，基于Delta方法构建的精炼无条件t检验（Refined Unconditional t-test）在模型误设与弱识别下均具完全稳健性；当k有限时，精炼无条件t检验与精炼双重条件检验（Refined Doubly Conditional Test）为适用推断方法。研究进一步整合上述方法以提升推断准确性与稳健性。

历时两天的思想碰撞渐入尾声，但探索的脚步永不停歇！感谢全球顶尖学者呈现的前沿研究，明年让我们再聚港中大（深圳）神仙湖畔，共拓计量经济学新疆域。