面板数据(panel data)不同于一维数据中的时间序列数据与横截面数据,其构成为二维数据,若将一个个体不同时刻的时间序列数据看作一条记录,那么面板数据则指同时选取多条记录,即同时选取多个个体样本时间序列数据。从横截面方向来看,面板数据表示为多个个体样本在同一时刻的观测值,从纵剖面方向来看,面板数据却是时间序列。面板数据经常被作为经济学科领域中的研究对象,例如国家各省市在某段时间内的人口数量变动等。在整个社会发展历程中,如货币政策的改变会引起股市价格的波动变化,使得一组数据在某一点前后出现显著性的差异,这就是变点(break point)。上世纪60年代,变点问题就已经被发现探究,无论是在数学还是在统计、经济、金融、医学、气象学等方面,数据结构的变点问题都是一门常见的研究课题,有大量的实际应用。目前对于变点的研究主要有三个方向,一个是变点检测问题,一个是估计变点数目的问题,还一个是估计变点产生位置的问题。单个时间序列上单变点以及多变点的研究、面板数据中单个变点的研究是最多的,且大部分都是探究均值变点,而方差也会发生变化,且其主要体现了数据的波动情况,现如今,针对于方差变点问题的研究也越来越多。本文主要研究面板数据方差变点的位置参数估计,即面板数据同时存在多个方差变点问题,但有时不仅方差上存在变点,均值也可能同时存在变点,因此本文也考虑了当均值同时存在多变点且与方差多变点位置相同与不相同的问题。当仅方差存在多变点和均值与方差存在共同的多变点时采用拟极大似然(QML)估计方法估计变点位置,当均值与方差存在不同的多变点时,先采用最小二乘估计出均值变点,数据中心化后,再采用拟极大似然估计方法来估计方差的多个变点。结论表明,在一定条件下得到的估计具有相合性。为验证结论准确性,本文通过采用蒙特卡洛模拟进行验证,模拟的结果与结论一致,从而说明此种估计方法是有效的。最后以2007年1月—2017年6月49个企业股票月收盘价数据做了实证分析,找出其变点位置并分析了原因。