高维因子模型是当前计量经济学中的一个重要模型。以美国美联储前主席Ben S. Bernanke、哈佛大学教授James H. Stock以及普林斯顿大学教授Mark M. Watson为代表的欧美学者，在广泛的实证研究中发现，经过高维因子模型增广的计量经济学模型在宏观经济预测(Stock and Watson, 2002, JBES)、政策效果评价(Bernanke, Bovin and Eliasz, 2005, QJE)以及经验事实挖掘(Kose, Othok and Whiteman, 2003, AER)上有着非常重要的应用。 然而现有的高维因子模型的分析，主要集中于主成分分析，更为一般的极大似然分析鲜有文献涉及。本书将建立极大似然分析框架作为研究的主要内容，系统地研究了高维因子模型极大似然估计量的一致性、收敛速度和渐近分布，填补了高维因子分析理论重要的理论空白。此外，作者还将研究思路拓展到存在交互效应的面板数据模型中，用新的框架研究了极大似然方法估计交互效应模型。相关理论成果对于拓展实证研究范围，提高实证研究的可信度有着重要的意义。