随着大数据时代的来临,来自于生物医学、宏微观经济、金融等领域的面板数据规模也不再局限于传统的小N(观测个体数)或小T(时间维度)型,信息源之间错综复杂的关系也令面板数据的相互独立性得不到保证。其中序列相关性和截面相依性的存在使经典的估计方法失效(如最小二乘法、经验似然法等),另外大N大T型的大样本在计算量上又给现有的一些方法带来挑战。为了有效且稳健地处理具有复杂相依结构的面板数据模型,本文基于Nordman(2009)的想法将权重函数引入分块经验似然法,并结合广义估计方程提出加权分块经验似然法。本文主要针对特异误差项仅有序列相关(第三章)以及序列相关和截面相依并存(第四章)这两种情况下给出加权分块经验似然法(Weighted Block Empirical Likelihood,WBEL),即对数据进行划分后用给定的权重函数为块内的每个数据赋予新的权重。另外还借鉴了Qu et al.(2000)的拓展得分向量构造估计方程用于解决面板数据中的截面相依性。随后把改进方法在数值模拟中与Qiu&Wu(2015)提出的移动分块经验似然法(Moving Blocks Empirical Likelihood,MELE)做比较:结果表明WBEL和MELE一样均适用于大N大T型的面板数据;且相较于MELE,WBEL的估计精度有稳定的提升。本文的主要贡献可以从以下三点进行阐述:一、针对时间序列数据,比较了三种常用于选取分块经验似然法中最优带宽值的方法:Progressive Block Empirical Likelihood、Automatic Block-Length Selection以及交叉验证法。然后根据模拟结果得出合理的最优带宽选取方式,并在后续内容中将其推广至面板数据模型。二、针对存在序列相关的面板数据,本文结合广义估计方程提出加权分块经验似然法用于估计模型的参数。该方法不仅在分块后通过加权进一步降低了数据块间的相关性,又保留了块内的相关结构。理论和模拟结果表明该方法适用于各种时间维度T,特别在T较小时的估计效果较现有能处理序列相关的方法(MELE)有显著提升。三、针对带有序列相关和截面相依的面板数据,本文在加权分块经验似然法的基础上引入拓展得分向量用于求解广义线性模型。一方面利用基矩阵的方式减少了在大N下类似GEE中求逆矩阵带来的大计算量,另一方面避免了对截面相依结构的人为假设。