- 已编辑
师兄提的这两种情况我都经历过。
探索创新的过程就如同走一条前人没有走过的路,有的时候的确会遇到阻碍,无法继续前进,由于不知道这条路是否走得通,会经历一段迷茫的时期。比如刚开始的时候,我按照常规的最大似然法(MLE)估计直接效应和间接效应,通过模拟发现在很多情况下其标准误(Standard Error)的估计值都是有偏的,但是找不出问题的根源,我曾犹豫是否应该按原路继续走下去。有的时候良好的直觉可以帮助研究者在困难时期做出正确的判断和选择,而直觉是建立在经验的基础上的,对于刚刚开始从事研究工作的我而言,并不具备这样的素质,和具备良好直觉的人多交流就变得至关重要。在向经验丰富的老师们请教的过程中,我发现,问题出在两步估计上。在我的研究中,直接效应和间接效应的估计是基于另一个估计量的,因此,在估计前者的标准误时,必须要考虑后者的不确定性。通常的解决办法是利用Bootstrap估计标准误。可是由于多水平模型的拟合比较耗时,如果将Bootstrap的次数设置为1000,得到最终结果将需要5个小时,尽管平行计算可以大大节省时间,但绝大多数社会科学学者并不具备这样的资源,如果能够推导出标准误的估计量,效率将大大提高。通过进一步交流,我了解到Newey(1984)将两步估计中每一步的moment function叠加在一起,由此将两步估计转换为一步估计的问题,根据Hansen (1982)提出的Generalized Method of Moments (GMM)(Lars Peter Hansen因此获诺贝尔经济学奖)最终推导出各步估计量的标准误。然而,在多水平模型领域,这一方法从未被开发过,于是,我明确了下一步的研究方向。由此,老师们的指点帮助我找到了障碍的源头、坚定了前行的信念,在一篇经典论文的启发下,呈现在我眼前的路变得更宽、更清晰了。在明确了方向之后,我通过大量阅读加深对多水平模型和Newey(1984)的理解,从而找到了在多水平模型领域拓展Newey(1984)的突破口。
我越来越深刻地体会到,做研究是一个不断学习积累的过程,经验和视野是创新突破的重要因素。