过去30年间跨国经济增长实证研究领域提出了近150个增长决定因素,而全球200余个国家(地区)的样本限制意味着在总结跨国增长经验时必须考虑模型不确定性问题。有别于该领域经典文献所使用的传统计量方法,本文探索了新近的机器学习方法对该问题的分析所可能有的贡献。本文从小样本、变量排序、非线性特征三个角度说明具有一定特征的机器学习方法较传统计量方法可以更有效地处理模型不确定性问题。利用标准的跨国经济增长数据集,本文考察了10种常见机器学习方法的应用表现,并与3种传统计量方法作了比较。结果显示,套袋法与随机森林法及两者的拓展均能在小样本条件下对经济增长决定因素进行有效排序,灵活捕捉数据的非线性特征,让模型不确定性问题化繁为简,得出更为清晰、稳健的结论。本文旨在说明,机器学习方法的应用有助于跨国增长经验事实的归纳与理解,对于补充传统计量方法的局限与不足具有一定的潜力。