过去三十年, RCT, DID, RDD, LE, ML, DSGE等方法的“高光时刻”路线图

Original 计量经济圈社群计量经济圈 2021-10-23

收录于话题 #实证研究中常用计量方法小集子 107个内容

凡是搞计量经济的，都关注这个号了

投稿：econometrics666@126.com

所有计量经济圈方法论丛的code程序, 宏微观数据库和各种软件都放在社群里.欢迎到计量经济圈社群交流访问.

给一组经济学家的集体名词是什么？选项包括一层忧郁，一个回归甚至一个假设。一月份，当博士生在美国经济学年会上争先恐后地找工作时，“市场”一词似乎是个大话题。或许，从那些撰写经济论文的人追随最新潮流的趋势来看，“牛群” 是最好的名词。今年最热门的技术是使用大数据的机器学习（machine learning）。伦敦大学学院的经济学教授伊姆兰·拉苏尔（Imran Rasul）期待阅读一堆使用这种时髦的技术所写成的论文。

经济学家容易陷入方法论上的狂热气氛。拉苏尔先生回顾了过去使用断点回归RDD技术的论文集，该技术比较一个断点两边的相似群体，从而评估政策的效果。《The Economist》对NBER出版的工作论文摘要中的关键词进行了分析（见文首图），显示了经济学家们对实验室实验，随机对照试验（RCT），以及双重差分法的热情（即比较不同组之间随着时间变化的趋势）。

当一个热门的新工具出现时，它应该会扩展经济学的疆界，并能回答以前无法回答的问题。看起来似乎很时髦的，实际上可能是经济学家们纷纷加入以帮助阐明该学科最黑暗的角落。然而，一些经济学家认为，新方法也带来新的危险；对技术的狂热不但没有推动经济学的发展，反而会误入歧途，尤其是在其婴儿期。

1976年，詹姆斯·赫克曼（James Heckman）开发了一种简单的方法来纠正特定类型的样本选择问题。例如，经济学家很难估计教育对女性工资的影响，因为选择做工作（可以衡量其工资）的女性特别容易获得高回报。当赫克曼向经济学家提供一种纠正这种偏倚的简单方法时，它涉及对入职选择的考虑，这使社会科学风靡一时。但是其诱人的简单性导致了它在各种实证分析中的滥用。

诺贝尔奖获得者和专家型的数据挖掘者安格斯·迪顿（Angus Deaton）和达勒姆大学（Durham University）的经济学家南希·卡特赖特（Nancy Cartwright）的论文认为，随机对照试验是当前该学科的宠儿，但人们对这种试验的热情不高。RCT涉及将干预政策随机分配给某些人而不是其他人，以便研究人员可以确定差异是由干预政策引起的。该方法的分析过程就是对两组人员平均值的简单比较。Deaton先生和Cartwright女士抱怨道，研究人员在计算两个结果是否显著不同时仍然不够谨慎。因此，他们怀疑使用RCT在已发表的研究成果和健康经济学中有很大一部分是“不可靠的”。

随着时间的流逝，经济学家应该学习何时使用其崭新的工具。但是，有一个更深层次的担忧：时尚和潮流正在使经济学更加扭曲，通过推动专业人士提出特定问题，但将更大的问题隐藏起来。Deaton先生和Cartwright女士担心的是，RCT似乎在绕开理论而直接得到结果，并且“在不知道事情为什么发生以及人们为什么做事情的情况下，我们冒着得出毫无价值的因果关系（“童话”）理论的风险——放弃经济学的中心任务之一（即，因果推断）。” 另一个基础性的担忧是，通过提供一种引人入胜的简单方法来评估某些政策，经济学家们忽视了无法使用RCT轻易检验的政策问题，例如制度，货币政策或社会规范的影响。

在经济学的其他地方，一种方法有时会排挤其他方法。宏观经济学家在金融危机爆发前的过度共识困扰着他们。2016年8月份，重量级宏观经济学家奥利维尔·布兰查德（Olivier Blanchard）向同事发出呼吁，要求他们减少使用动态随机一般均衡模型（DSGE），并补充说，为了进行预测，他们的理论纯度可能“更多是障碍而不是力量” ”。他提醒人们，“不同的任务需要不同的模型类型。”

这些年来仍然疯狂

机器学习仍然是新的，足以使这种反弹在很大程度上局限于学术界的眼界。但是，在最新的热潮中出现了一些熟悉的主题。原则上，这些新技术应保护经济学家免受其草率的理论影响。以前，经济学家会尝试仅使用少量输入来预测事物。通过机器学习，数据可以说明一切；机器会了解哪些输入会生成最准确的预测。

这种强大的方法似乎提高了经济学家预测的准确性。例如，研究人员已开始使用大数据来预测犯罪嫌疑人是否有可能回到法庭接受审判，从而影响保释决定。但是，与RCT一样，强大的算法可能会诱使用户忽略潜在的因果因素。数据科学家凯茜·奥尼尔（Cathy O'Neil）在她的新书《Weapons of Math Destruction》中指出，某些因素，例如种族或来自高犯罪地区的人，可能是累犯的极佳预测指标。但是它们可能反映出执法中的种族主义或零容忍的“破窗”政策，导致贫困或少数族裔社区的犯罪率很高。如果是这样，那么这些预测就有可能因无法控制的因素而惩罚人们。

拉苏尔先生对新方法带来的“一点点超调”并不十分担心。随着时间的流逝，它们的优点和局限性会得到更好的理解，并且它们会与旧方法一起加入工具包。但是批评潮流的人做对了一件事情：好的经济学就是要提出正确的问题，更何况在该学科可用的所有工具中，其使用者的怀疑是最永恒的。

文章里出现了DID，RCT，RDD，ML，DSGE等方法，下面分别就这些方法推荐一些参考读物。