面板数据是一类重要的数据,生成于经济、管理和社会学等多个领域。在面板数据研究中一个非常关键的问题是对未知组别具有组因子结构的面板数据模型进行参数估计。文献中人们常用的估计方法是,首先人为给出一个较大且粗糙的组数和组因子数的取值范围,然后利用C_p准则对组数和各组的因子数进行模型选择。在得到组数和组因子数后根据最小二乘对模型中其他参数进行估计。这种估计方法给出的组数范围常常不够准确:给出的组数范围可能未包含真正的组数,或者给出的范围区间较大,使得确定组数的难度和计算强度大大增加。为了克服以上缺陷,本文提出了一种基于聚类分析的组数范围的估计方法。基于此种估计方法对参数进行估计,既提升了估计精度,也提升了运算强度。此外,如果我们利用C_p准则对组数和组因子数进行选择,则每一次计算得分,就需要对模型进行一次训练。由于组数与组因子数的组合有很多,因此模型选择计算量较大。本文提出采用平行分析算法,将组因子数的估计放到了模型的参数估计过程中,在利用最小二乘逐步求解模型中的因子和因子载荷时加入平行分析,对因子个数进行选择。这种估计算法减少了模型参数求解的复杂程度,在理论上提升了模型的求解速度。本文给出了与文献中模拟设置相同、小样本、解释变量与因子相关这三种数值模拟。模拟结果显示,组数范围估计效果较好,基于平行分析建立的新参数估计算法结果也较为准确。最后本文针对沪深300股进行了实证分析。分析结果显示:根据股票收益率等因素可将沪深300股划分成3个组别;沪深300股上市公司的财务指标中,净资产收益率(ROE)和负债率(DAR)对股票收益率有着较大的影响。在实际应用层面,本文提出的算法得到的结果是合理的,算法具有较大的实际应用价值。