20世纪80年代以前,经典线性计量经济学占着绝对主流的地位,但在实际应用中,经典线性时间模型,如标准的线性时间序列模型(如AR(p)或ARMA(p,q)等)忽视模型结构变化等,导致这一类模型用于预测20世纪70年代石油危机的失败,以及无法解释1987年的“黑色星期一”现象,因为经济学家至今也没找到令人信服的引起股市崩盘的显著的信息变化。基于上述原因,传统线性时间序列计量建模受到越来越多的挑战。与此同时,上世纪60年代兴起的非线性科学,正在改变人们对现实世界的传统看法,受到了科学界的日益重视。随着计算技术的发展,为经济学者提供了越来越多的可供选择的非线性理论模型来刻画经济变量中的非线性关系。然而,不幸的是,将理论模型转化为可检验的非线性时间序列计量模型常常并不是一件容易的事情。而基于平滑转换回归(STR)模型有一套可操作的估计与假设检验程序,和可用于不同类型数据的非线性建模,具有丰富的经济学含义等优点,使其近年来成为研究经济变量中的非线性关系的首选模型。特别是货币政策传导机制问题的研究中,STR模型日益受到重视。传统线性时间序列模型在研究货币政策传导机制问题中所隐含的假设是,经济主体对货币政策的反应是一致的,如在不同经济状态下,如高通胀状态与低通胀状态下,经济变量间具有相同的线性关系。然而,经济事实是,在不同的经济状态,微观主体行为的差异性很可能导致经济变量间的非线性关系,如在高通胀期,微观经济主体往往有更高的欲望调整现金持有量;而在低通胀时期,微观经济主体由于存在调整价格的成本,对前期通胀的反应往往不敏感。货币政策实践也发现,紧缩性货币政策能够有效地抑制经济过热,而扩张性货币政策在治理经济衰退中却显得无能为力。而传统线性时间序列模型(如AR(p)或ARMA(p,q))无法刻画上述经济变量运行所表现出的多样性和不对称性的特征。而我国货币政策传导机制研究的相关文献,绝大多数是基于线性时间序列模型研究的。在少量基于非线性时间序列模型研究的文献中,主要是采用马尔可夫机制转换模型。马尔可夫机制转换模型的状态变量是不可观测,对变量所处状态的推断需要很多信息,信息的失真可能导致不精确的结论,进一步,这种模型不能给出机制(regimes)转换的非线性形式,一般只能推断不同机制转换的概率,这种特征使其应用受到局限。而STR模型的状态变量是可观测的,且能刻画经济不同状态下非线性转换形式。上述特点使得STR模型在货币政策传导机制非线性效应研究中,有着广泛的应用前景。然而,我国基于STR模型,特别是STR模型的拓展模型,对我国货币政策传导机制的相关研究,基本处于空白状态。本文讨论了STR模型的设定和估计等问题,并对我国货币政策传导机制的非线性问题进行了研究。相对现有研究文献,本文的创新与意义在于:(1)研究视角的创新。本文首次应用微观面板数据模型,对我国货币政策传导机制进行研究。现有我国货币政策传导机制研究中,基本上是应用宏观加总数据,从宏观上对我国货币政策有效性进行研究,然而,宏观数据模型存在无法看清货币政策传导的微观机制、研究样本量偏小,存在识别问题等缺陷,而基于微观面板数据模型可克服上述不足,本文从微观角度研究表明我国利率政策和信用政策的有效性。(2)研究方法的创新。考虑到货币政策变量的内生性问题,本文首次利用向量平滑自回归模型对我国宏观货币政策有效性问题进行研究,进一步,本文首次应用广义脉冲响应函数分析表明,随着信贷扩张与信贷紧缩的周期性变化,我国货币政策效果具有非对称性,如在短期,当信贷紧缩时,产出变化对利率变化冲击更敏感等。考虑到不同特征的微观主体对货币政策的反应很可能不一致,本文分别首次应用阈值面板数据模型和非线性光滑面板数据模型研究表明,国有控股企业与非国有控股企业、以及不同偿债能力、不同利润率的企业,对货币政策的反应是不一致的,如对于国有控股上市公司,货币政策资产价格传导渠道失效,对于非国有控股上市公司,货币政策资产价格传导渠道表现出明显的非线性效应;上市公司举债能力越强,货币政策传导信用渠道效应越弱;对于高利润和亏损公司,利率政策效应越强;而对于利润率一般公司,信用政策效应较强。(3)在模型的估计方法上,本论文大量应用模拟退火的优化算法。相对于现有相关文献中所用的高斯-牛顿迭代等估计方法,模拟退火算法由于搜索更细密、能更好克服局部最优解等优点,从而使本文的研究结论更可靠。(4)本文的研究结论具有更丰富的经济学和政策含义。本论文研究发现了在不同信贷状态下,货币政策效应的差异性,如在短期,在信贷紧缩状态时,货币供给变化冲击给产出变化带来同向的累积影响,而在信贷扩张状态,货币供给变化冲击给产出变化带来反相的累积影响;在调控高利润行业如房地产业的投资过热问题时,应该以利率政策为主导,信用政策为辅的策略等。不难看出,上述发现是基于非线性STR模型所产生的结论,若不然,我们不可能产生这种结论,从这个意义上说,本文具有显著的学术和应用意义。