2023年7月23日，世界计量经济学会“亚洲计量经济学和统计学暑期学校”由来自澳大利亚莫纳什大学的高集体教授为学员授课。
高集体教授现为Journal of Econometrics副主编，澳大利亚社会科学院院士、国际统计学会当选会员 (Elected Member of International Statistical Institute)、国际金融计量学会创会会员 (Founding Member of the Society for Financial Econometrics)、国际计量经济学会澳大利亚和新西兰常务委员会委员(Member of the Australasian Standing Committee of the Econometric Society)。高集体教授在计量经济学理论研究、金融计量经济学、非参数与半参数计量经济学、面板数据与时间序列分析等领域有深入的研究并有其独到的见解，具有相当的国际影响力。其学术论文发表在 Journal of Econometrics，Econometric Theory，Journal of Business and Economic Statistics，Annals of Statistics，Journal of the American Statistical Association，Journal of the Royal Statistical Society Series B 等经济学与统计学国际学术期刊上。
23日上午，高集体教授的第一堂课围绕时变模型（Time-Varing Models）展开。他首先从线性、非线性及半线性模型的定义出发，着重讲解了几个经典的非线性模型，如平滑转换自回归（smooth transition autoregressive, STAR）模型、三角函数类模型、门限模型，并引出条件均值的估计问题。基于该问题，高集体教授介绍了混合正态以及密度估计的思想，并展示了基于密度估计方法拟合美国短期国债利率（The US interest rate data）及欧元存款利率（The Euro dollar deposit rate）分布的例子。在此基础上，高集体教授以自回归和固定设计为例，讲解如何使用非参数核估计方法，估计条件均值和条件方差。接着，高集体教授考虑序列非平稳情况，说明了序列平稳与非平稳条件下非参数核估计渐近性质的不同。高集体教授还介绍了广义单指数（Generalized Single-Index, GSI）模型与广义函数系数（Generalized Functional-Coefficient, GFC）模型，提出非参数核估计中平滑参数的选择问题，并列举了消费支出对可支配收入的非线性回归例子。
在第二堂课上，高集体教授介绍了半参数估计及序列估计，并提出了一种构建序列渐进独立的分块技巧。之后，高集体教授从趋势时间序列模型（Trending Time Series Model）出发，讨论确定性和随机性时变参数设定的区别。基于确定性时变参数设定，高集体教授介绍了时变自回归模型中的局部平稳性，并给出经济学例子。进一步，高集体教授介绍了时变向量移动平均模型（Time-Varying Vector Moving Average Model，VMA），并基于时变BN （Beveridge-Nelson）分解，给出该模型时变参数的估计量及其渐进性质。随后，高集体教授介绍了时变向量自回归模型（Time-Varying Vector Autoregression Models，VAR），讨论了该模型与时变VMA模型在大样本下的表现，进而给出该模型时变参数的估计量及其渐进性质，同时提出了一种信息准则用于确定时变VAR模型的阶数。在这一节的末尾，高集体教授将时变VAR模型应用于研究通胀、失业率和货币政策（利率）之间的关系，并讨论样本外预测，验证该模型对于宏观指标的预测能力。
23号下午，第三堂课上，高集体教授主要介绍了几种面板数据模型：带有固定效应的线性面板数据模型（Linear panel data model）、带有因子结构的线性面板数据模型、具有时间趋势的线性面板数据模型、时变面板数据模型等，同时，高集体教授也介绍了具有横向依赖性又具有非平稳性的非线性面板数据模型。近期，高集体教授主要关注二元面板数据模型，即因变量只取0或1的情况。他也介绍了异质性二元面板数据模型和同质性二元面板数据模型，同时提出了对二元面板数据模型的估计和统计推断方法。并分享了他和Fei Liu, Bin Peng，Yayi Yan合作的工作论文“Binary Response Models for Heterogeneous Panel Data with Interactive Fixed Effects”。
在第四堂课上，高集体教授主要介绍了面板数据中的交叉依赖性统计推断。他首先介绍了时间序列中的混合条件, 接着介绍了空间混合结构，从而引出具有交叉依赖性的面板数据模型，最后分享了与Bin Peng 和 Yayi Yan合作的工作论文“Higher-order Expansions and Inference for Panel Data Models”，介绍了如何使用提出的自助法（Bootstrap）处理横向依赖和序列依赖问题。
高集体教授的课程内容十分精彩，学员们积极参与。经过六天的课程，暑期学校在欢声笑语中划上了圆满的句号。学员们纷纷表示，这次暑期学校对于他们的学术研究和职业发展具有重要意义，为他们带来了丰富的启示和新的思考。
（文/朱美婷 王道炜 孙蓓蕾 图/贺若诗 王海娟）
