面板数据模型在现代计量经济学的理论与应用研究中越来越流行及普及。面板数据的一个重要优势是：在控制不可观测的横截面异质性的条件下,获得重要参数的一致估计量(Ahn, Lee, Schmidt,2013).异质性的一个例子是个体效应,它反映了个体拥有的潜在的不可观测特征,例如,在劳动经济学中估计工人的工资决定方程时,个体内在的能力与技能是不可观测的,基于横截面数据对参数进行一致估计是非常困难甚至是不可能的。然而,当能够获得面板数据时,即便存在着不可观测的个体异质性,依然能够一致地估计出教育对工资的效应。标准的面板数据模型通常假设不可观测的个体效应是不随时间变化,只随个体变化的误差成分,意味着,在整个样本期内,每一个个体的异质特征都是不随时间而变动的,这一假设的约束性显然太强了。有研究表明,工人的生产力随着经济周期的波动而变动,由此可以推断,个体的能力或技能也伴随着经济周期的起伏而变动(Ahn, Lee和Schmidt,2001)。因此,在实证模型的构建与应用过程中,采用不随时间变化的个体效应来捕获个体的不可观测特征显然并不总是合适的。大量的文献在面板数据模型的误差项中以可加的形式同时包含了个体效应与时间效应(即共同因子),试图不仅捕获不可观测的个体潜在特征,而且控制特定的时期效应,如不随个体而只随时间变化的宏观政策冲击等。然而,时间效应的加入,固然可能完善模型的设定和提升其应用的空间与范围,但是,与个体效应的缺陷类似,它所反映的也只是：在每一时期,共同因子对所有个体的冲击具有相同的效应。为避免传统模型设定的不足与缺陷,经济学家将个体效应与时间效应以乘积的形式引入到了模型中,从而自然地形成了因子误差结构,使得可加形式的模型成为其特例。相较于传统的固定效应模型,因子误差结构的引入,不仅能够以更灵活的方式对异质性进行建模,而且为控制宏观经济与金融数据中广泛存在的横截面相依提供了有效的方式。允许个体效应、共同因子以及因子结构与解释变量相关,不仅丰富了变量内生性的设置,也使模型设定更符合经济现实。因子误差结构呈现的是典型的因子模型形式,因此,能够基于传统因子分析方法对其进行估计。鉴于此,本文在吸收现有文献的基础上,对因子误差结构模型的设定与参数识别及估计方法进行进一步的扩展,并将理论应用于探讨和研究中国的经济问题。在理论研究方面,首先,由于代表性文献所考虑的均是对二维静态和动态面板数据模型的参数识别与估计,考虑到三维面板数据在实证国际经济学等领域的广泛运用,而理论研究并不充分,本文分别研究了三维静态与动态模型在数据平衡以及非平衡时具有参数一致性的估计方法,并基于Monte Carlo仿真实验考察了参数估计量的有限样本性质。其次,考虑到个体可能按照其潜在的特征形成组群结构,即处于同一个组群的个体具有相同的系数,而处于不同组群,系数则是不同的。Ando和Bai(2013,2014)将分组因子结构纳入到了同质与异质系数模型中,但分组因子与因子载荷都设置为组群特有(.Group-Specific)的形式。然而,在现实的经济中,共同因子未必是组群特有的,因此,模型的设定存在着缺陷。鉴于上述模型的特殊构造,在理论与应用层面均不具有一般性,本文考虑因子是共同的,而因子载荷是组群特有的情形,即因子载荷反映出同一组群的个体对宏观冲击具有相同的效应。基于迭代估计的思想,探讨了共同因子为可观测与不可观测时的外生分组因子结构静态和动态模型的估计,以及借鉴惩罚回归思想,探讨了内生分组因子结构模型的参数估计与组群识别。另外,在传统的基于时间序列数据的VAR模型的基础上,借鉴单方程因子误差结构面板数据模型的建模思路,将因子误差结构引入到了面板结构VAR (PSVAR)系统中。在回顾了传统时间序列与面板VAR模型的参数识别与估计方法的基础上,考察了因子误差结构PSVAR模型的识别与参数估计方法,将因子误差结构动态面板数据模型的估计思路与面板VAR模型的识别技巧相结合,建立了基于GMM与主成分分析迭代的估计程序。在实证研究方面,首先,采用在中国上海与深圳证券交易所的上市公司的财务数据,构建了共同因子可观测的外生分组因子结构动态模型。基于企业所属的行业对个体企业进行外生分组,从微观货币需求的视角,研究了作为共同因子的货币政策的行业效应的差异。结果显示,传统行业对货币政策冲击更敏感,而纺织服装、IT、食品与饮料、医药与生物制品等服务与高科技行业的敏感性较低。其次,基于因子误差结构PSVAR模型,研究了人力资本、贸易开放、城市化与中国的省际全要素生产率之间的动态相互依赖关系,结果发现,人力资本对城市化冲击具有最大的累积效应,城市化自身惯性是推进城市化进程的主导力量,各内生变量对TFP均具有正向的推动作用,全局性社会环境共同因素总体上对人力资本积累、城市化进程,以及TFP具有促进作用,但在金融危机期间,对TFP具有明显的遏制作用。而且,相比于欠发达区域,中东部省份对共同因子的冲击更敏感。