新闻中心
NEWS&EVENTS
综合新闻
人物 | 波士顿学院教授Shakeeb Khan:曲径通幽,千锤百炼

本期记者展一帆  张蕊

策划:新闻信息中心 学科与人才办公室

 

Shakeeb Khan教授是世界著名计量经济学家。他1997年毕业于美国芝加哥大学,从师Prof. James PowellProf. Khan的研究领域在非线性模型的理论识别和实证估计,如二元选择模型,多元选择模型等。他本人著作多次发表在EconometricaJournal of Econometrics, Econometric Journal等。他本人为Econometric Society Fellow,曾任Co-Editor of Journal of Business Economics and Statistics, 现任Associate Editor of Econometrica, Econometric Reviews. Prof. Khan 现为波士顿学院(Boston College 教授,曾任教于杜克大学,马里兰大学等。

2018年秋季蒋学模系列讲座,经济学院有幸邀请到Shakeeb Khan教授给学生们带来题为“Nonlinear Statistical Models”的课程,之后Shakeeb Khan教授接受了新闻中心的采访。

 

中国印象,复旦印象

 

Shakeeb Khan教授曾先后到访中国十多次了,在复旦大学、上海交通大学、上海财经大学、南开大学等等国内顶尖院校均受邀开展过seminar。谈起对中国以及复旦的印象,Khan教授说道:

我已经来中国很多次了,拜访过包括上海、北京、武汉、成都、厦门等等城市,每一个我去过的城市都非常有魅力,例如上海的多样化、成都的美食、厦门的沙滩等等,我非常喜欢这些城市。我也来过复旦大学很多次了,我认为它是一个非常好的学校,有着极其出众的学生和老师

 

曲径通幽,选题之道

 

Khan教授在计量经济学领域硕果累累,在国际顶级经济学刊发表多篇相当具有学术影响力的文章,也在研究领域中获得很多奖项。如此丰硕的科研成果,背后蕴含了Khan教授对经济学独到洞察和见解,那么对于在学术之路上漫漫求索的博士生们,Khan教授认为如何寻找一个好的研究问题至关重要。

我认为学生们应该从一个应用领域入手,无论是例如产业组织学、劳动经济学或者发展经济学的领域等等。接下来,应该深入研究这个领域可获取的数据集,并通读该领域的文献,慢慢的就会产生一些问题以及解决问题的思路。当开始做之后,再借助计量经济学的方法来系统、全面地回答这个问题。

  

千锤百炼,写作之法

 

如何把自己的观点用文字以最好的方式呈现出来,往往是发表论文的一个重要门槛。每一篇好的文章,都经过无数次的修改,咬文爵字,细细打磨。那么关于如何练好“写作”的本领,Khan教授认为唯一的方法就是千锤百炼。

当我还是一名博士生的时候,最困难的事情就是如何用文字表达我的想法。根据我的经验,我唯一的建议就是多练习。每个人的第一篇论文都会写得很糟糕,这很正常,你应该做的是先写下来,然后尽可能多地去给别人讲或者看,得到反馈和建议。然后据此一遍又一遍地修改,你就会学会如何写得更好。对博士生来说,一个好办法是和其他博士生一起组成一个阅读小组,每个人轮流向其他人报告他们的研究,根据别人的评论和建议不断改善。当我还在杜克任教时,我们每个星期五都会组织一个午餐小组见面会,会上学生们会轮流报告他们的研究成果,时间约为一个小时,而老师们和其他学生将评论他们的报告,指出其中的问题。经过六周或两个月后,同样的学生会重新报告修改好的论文,周而往复。我认为这非常有必要。

 

计量经济学热点:部分识别&大数据

 

对研究领域前沿的把握,是做出一篇有价值的论文的前提基础。Khan教授作为著名计量经济学家,对计量经济学的热点和重要话题如数家珍,他认为目前最受人关注的两个话题分别是“部分识别”和大数据。

关于计量经济学的前沿问题,我主要讲两点。第一是部分识别”(Partial Identification)。因为许多数据集不够完整或者充分,无法得到参数的点识别。所以我们需要构造这些参数估计值的集合。那么如何构造最好的集合,以及如何基于此进行推断,是非常热门的话题。另一个前沿话题是大数据或机器学习,举例而言,当方程右侧有例如100万个回归元时,如何合理地降维从而进行计量分析,是非常重要的问题。

 

Khan教授还提到,在他目前正在撰写的工作论文“Identification in Dynamic Semiparametric Binary Response Panel Data Models”中,便是关于如何在面板数据的非线性模型中获得最优的部分识别。同时,Khan教授也给博士生如何了解自己领域的前沿提出了建议:

我个人的观点是尽可能多地参加研讨会。不仅局限在复旦,还应该去附近的学校参加,例如上海财经大学、交通大学等等。另一种方法是组织一个只有学生的阅读小组,学生们聚在一起选择一个话题,比如说机器学习。小组里的每个人都精读一篇前沿文献并轮流报告,随后互相评论并讨论。坚持一整个学期,阅读8篇以上关于这个主题的论文,那你就会成为这方面的专家。

 

识别因果:计量经济学的核心目标

 

如何区分因果性和相关性是经济学论文写作中一个难以绕开的话题,Khan教授指出,计量经济学的核心目标是识别变量相互影响背后的因果效应(Causal Effect),进而得到经济学解释。谈及计算机科学、机器学习等领域与计量经济学的异同,Khan教授谈到:

计算机科学的人与我们并不关心相同的东西。他们关心的是预测将会发生什么,而不是统计推断。我们则关心检验假设,这就是我们关心估计量分布的原因。计算机科学家想要的是更快速的算法,使用给定的数据集进行预测。例如用Netflix的数据集分析过往哪些人租了哪些电影,以预测消费者将会租什么样的电影,而我们则关心估计量的分布和假设检验。总之,经济学家更关心的是预测结果背后的原因,而不是预测本身。

 

结构模型和简约模型:互为补充

 

结构模型(Structural Model and Reduced-form Model)是经济学研究中常用的两大类方法,在近年来越来越多的文献中,这两种方法开始被广泛同时使用。Khan教授认为两者都存在着优缺点,所以将它们结合起来是非常好的事情。

我认为结构模型和简约模型都有优缺点,没有哪一种方法总是更好的。结构模型需要建立在很多假设之上,优点是你可以得到很多结论。但是由于这些假设本身未必正确,所以结论也未必正确。而简约模型虽然回答的问题比较少,但是可以针对性的回答想解决的特定问题。我个人更信任简约模型,因为它的假设更少。但总之我认为应该结合两种方法的优点,我很高兴在一篇给定的论文中看到这两种方法都被采用。

 

实验经济学:解决内生性的另辟蹊径

 

近年来的实验经济学文献越来越多,通过效仿自然科学的实验研究方法,获取尽可能外生的数据,从而更好地识别因果,那么关于实验经济学,Khan教授指出:

我非常同意实验经济学可以更好地识别因果,因为任何计量模型都可能产生一些内生性问题,导致结果将是错误的。通常人们用IV等方法解决内生性,但问题是你必须证明IV是有效(Valid)的,然而这理论上是很难做到的。我们能确保得到准确估计的唯一方法就是进行实验,但是这需要很多时间和金钱,你必须雇佣很多人,付钱给他们做实验。但是你可以确信能够得到一个比IV更准确的估计值。这也是为什么很多人在做实验经济学,如果你有充足的时间和钱,我认为这是值得的。

 

博士生寄语:坚持与团队合作

 

在采访的最后,Khan教授非常亲切地为经济学院的学生提出了一些建议。

就我的经验来说,博士生最艰难和沮丧的一年就是第一年,因为它不同于以往学习的经验。你需要找到自己感兴趣的问题,然后开始解决它。我对一年级博士生的建议是坚持,如果你熬过了第一年,之后会好很多。另一个建议是在团队中工作,不要独自工作,那样你可能会感到很沮丧。另外我教过我这门课很多次,但第一次在集中在这么短的一段时间,所以我想如果我之后有机会再来教的话,希望课程可以延长到两个或三个星期。