凡是搞计量经济的，都关注这个号了
邮箱：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.
关于这三位经济学家，简要介绍一下，David Card为加州大学伯克利分校加拿大裔美国教授，Joshua Angrist为MIT以色列裔美国教授，Guido Imbens为斯坦福大学荷兰裔美国教授。2021年诺贝尔经济学奖一半授予David Card，由于“他对劳动经济学的实证贡献”，另一半联合授予约Joshua Angrist 和 Guido Imbens，由于“他们对因果关系分析的方法论贡献”。
今年的获奖者David Card、Joshua Angrist和Guido Imbens已经证明，自然实验可以用来回答社会的核心问题，比如最低工资和移民如何影响劳动力市场。他们还明确了使用这种研究方法可以得出哪些因果结论。总之，他们一起彻底改变了经济科学中的实证研究。如果要做出好的决定，我们必须了解选择的后果。这不仅适用于个人，也适用于公共政策制定者:正在进行教育选择的年轻人想知道教育如何影响他们未来的收入;例如，考虑一系列改革的政治家们想知道这些改革将如何影响就业和收入分配。然而，要回答关于因果关系的宽泛问题并不容易，因为我们永远不知道如果我们当初做出了不同的选择，会发生什么。建立因果关系的一种方法是使用随机实验，即研究人员通过随机抽签将个体分配到处理组。这种方法主要用于研究新药的功效，但不适用于研究许多社会问题——例如，我们不能用随机实验来决定谁能上高中，谁不能。尽管面临这些挑战，这些获奖者已经证明，社会上的许多重大问题是可以得到解答的。他们的解决方案是使用自然实验——现实生活中出现的类似随机实验的情况。这些自然实验可能是由于自然的随机变化，制度规则或政策变化。在上世纪90年代初的开创性工作中，David Card使用这种方法分析了劳动经济学的一些核心问题——比如最低工资、移民和教育的影响。这些研究的结果挑战了传统智慧，并引出了新的研究，Card继续在这方面作出重要贡献。总的来说，我们现在对劳动力市场的运作方式有了比30年前更好的理解。自然实验与临床试验有一个重要的区别——在临床试验中，研究人员完全控制谁接受治疗并最终接受治疗(治疗组)，谁不接受治疗因而不接受治疗(对照组)。在自然实验中，研究人员也可以获得来自处理组和对照组的数据，但与临床试验不同的是，个体可能自己选择是否要参与提供的干预。这使得解释自然实验的结果变得更加困难。在1994年的一项创新研究中，Joshua Angrist和Guido Imbens展示了可以从自然实验中得出哪些因果关系结论，在这些实验中，人们不能被强迫(也不能被禁止)参与正在研究的项目。他们创造的框架从根本上改变了研究人员利用自然实验或随机现场实验数据处理实证问题的方式。让我们用一个具体的例子来说明自然实验是如何进行的。一个与社会和年轻人考虑他们的未来都相关的问题是，如果你选择学习更长时间，你会多赚多少钱。回答这个问题的最初尝试可能包括查看人们的收入与他们的教育如何相关的数据。在任何可以想象得到的情况下，受教育时间越长的人收入越高。例如，对于上世纪30年代出生在美国的男性来说，那些多受一年教育的人的收入平均高出7%。
教育年限和收入之间有明显的相关性。但这是否意味着两者之间也存在因果关系?那么，我们能否得出结论，额外一年的教育会让你的收入增加7% ?这个问题的答案是否定的——选择长期教育的人与选择短期教育的人在许多方面是不同的。例如，有些人可能在学习和工作方面很有天赋。这些人可能会继续学习，但即使他们没有继续学习，他们也可能仍然拥有高收入。也可能是只有那些期望教育有所回报的人才会选择更长时间的学习。如果你想调查收入如何影响寿命，也会遇到类似的问题。数据显示，收入越高的人寿命越长——但这真的是因为他们的收入高吗，还是这些人有其他的特质，意味着他们既长寿又赚得更多?很容易想到更多的例子，其中有理由质疑相关性是否实际上意味着一个真正的因果关系。那么，我们如何用自然实验来检验额外的教育年限是否会影响未来的收入呢?Joshua Angrist和他的同事Alan Krueger(现已去世，见：1.又一诺贝尔奖级大师自杀了! 抑郁症让其无法自拔！2.自杀逝世一周年后，AK教授生前最后一篇文章终于见刊了！)在一篇具有里程碑意义的文章中展示了如何做到这一点。在美国，孩子们在16岁或17岁时可以离开学校，这取决于他们在哪个州上学。因为所有在某一日历年出生的孩子都在同一天上学，所以在这一年早出生的孩子比在这一年晚出生的孩子更早离开学校。当 Angrist和Krueger比较在一年的第一季度和第四季度出生的人时，他们发现第一组人平均受教育的时间更少。第一季度出生的人的收入也低于第四季度出生的人。因此，作为成年人，他们的受教育程度和收入都低于同年晚些时候出生的人。因为偶然因素决定了一个人的出生时间，Angrist和Krueger能够利用这个自然实验建立一个因果关系，表明教育程度越高，收入越高:额外一年的教育对收入的影响是9%。令人惊讶的是，这种影响比教育和收入之间的联系更强，如果有抱负又聪明的人同时拥有高水平的教育和高收入(不管教育程度如何)，结果应该是相反的;这种相关性应该比因果关系更强。这个观察结果提出了关于如何解释自然实验结果的新问题——这些问题后来由Angrist和Imbens回答了。
人们很容易相信，使自然实验得以进行的情况是非常不寻常的，特别是那些可以用来回答重要问题的情况。过去30年进行的研究表明，情况并非如此:自然实验经常发生。例如，它们可能是由于一个国家某些地区的政策变化、高等教育的入学门槛或税收和福利制度的收入门槛而产生的，这意味着一些人受到干预，而另一些类似的人则没有。因此，无意识的随机性将人们分为控制组和处理组，为研究人员提供了发现因果关系的机会。上世纪90年代初，经济学家的传统观点是，提高最低工资会导致就业减少，因为这会增加企业的工资成本。然而，支持这一结论的证据并不完全令人信服;确实有许多研究表明最低工资和就业之间存在负相关关系，但这真的意味着更高的最低工资会导致更高的失业率吗?相反的因果关系甚至可能成为问题:当失业率上升时，雇主可以设定较低的工资，这反过来可能导致要求提高最低工资。为了调查提高最低工资如何影响就业，Card和Krueger使用了一个自然实验。20世纪90年代初，新泽西州的最低时薪从4.25美元提高到5.05美元。仅仅研究这次增长之后新泽西发生了什么并不能给这个问题一个可靠的答案，因为许多其他因素会影响就业水平随时间的变化。与随机实验一样，需要一个控制组，也就是工资不变但其他因素相同的一组。
Card和Krueger指出，邻近的宾夕法尼亚州最低工资并没有增长。当然，这两个州之间存在差异，但在靠近边境的地方，劳动力市场的演变很可能是相似的。因此，他们研究了这对两个相邻地区的就业影响——新泽西州以及宾夕法尼亚州东部——这两个州的劳动力市场类似，但边境的一边提高了最低工资，而另一边却没有。没有明显的理由相信，除了提高最低工资以外的任何因素(例如经济情况)会以不同的方式影响边界两边的就业趋势。因此，如果观察到新泽西州雇员人数的变化，而这一变化与边界另一边的任何变化都不同，就有很好的理由将其解释为最低工资增加的影响。Card和Krueger专注于快餐店的就业，这是一个工资低，因此最低工资很重要的行业。与之前的研究相反，他们发现提高最低工资对员工数量没有影响。David Card在20世纪90年代初的几项研究中得出了同样的结论。这项开创性的研究引发了大量的后续研究。总的结论是，提高最低工资的负面影响很小，而且明显小于30年前的预期。Card在20世纪90年代初进行的这项研究还引发了新的研究，试图解释这种现象对就业没有负面影响。一种可能的解释是，企业可以在需求没有显著下降的情况下，以更高的价格将增加的成本转嫁给消费者。另一种解释是，主导当地劳动力市场的公司可以保持低工资;因此，提高最低工资意味着更多的人想要工作，从而增加了就业。当企业对市场有如此大的影响力时，我们无法预先确定最低工资的变化将如何影响就业。Card和Krueger的工作启发了许多研究，大大提高了我们对劳动力市场的理解。另一个重要问题是劳动力市场如何受到移民的影响。要回答这个问题，我们需要知道如果没有移民会发生什么。因为移民很可能在劳动力市场不断增长的地区定居，所以仅仅比较有和没有很多移民的地区不足以建立因果关系。美国历史上的一个独特事件催生了一项自然实验，David Card曾利用该实验调查移民对劳动力市场的影响。1980年4月，菲德尔·卡斯特罗出人意料地允许所有希望离开古巴的古巴人离开古巴。5月至9月间，12.5万古巴人移民美国。他们中的许多人住在迈阿密,这导致了对迈阿密的增加劳动力的百分之七左右。研究一下这个巨大影响的工人涌入劳动力市场在迈阿密,大卫卡将在迈阿密的工资和就业趋势与工资和就业比较四个城市的演变。尽管劳动力供应大幅增加，但Card没有发现对受教育水平较低的迈阿密居民有负面影响。相对于其他城市，工资没有下降，失业率也没有上升。这项研究产生了大量新的实证工作，我们现在对移民的影响有了更好的理解。例如，后续研究表明，移民增加对许多出生在这个国家的群体的收入有积极的影响，而较早移民的人则受到负面影响。对此的一种解释是，当地人转而从事需要良好母语技能的工作，而且他们不必与移民竞争工作。在学校资源对学生未来在劳动力市场上取得成功的影响方面，Card也作出了重要贡献。他的研究结果再次质疑了普遍认同的观点——先前的研究表明，增加的资源和学校表现之间的关系以及晚年的劳动力市场机会都很弱。但是，有一个问题是，以前的工作没有考虑到补偿性资源分配的可能性。例如，决策者很可能会在学生成绩较低的学校加大对教育质量的投资。检查学校资源是否影响学生的未来劳动力市场成功,Card和Krueger比较了生活在美国同一个州但在不同州长大的人的教育回报——例如，在阿拉巴马州或爱荷华州长大，但现在住在加州的人。他们的想法是，搬到加州并拥有同等教育水平的人具有可比性。如果教育的回报有所不同，这可能是因为阿拉巴马州和爱荷华州对教育系统的投资不同。Card和Krueger发现资源很重要:在个体成长的州，教育回报随着教师密度的增加而增加。这项研究也激发了许多新的研究。如今，有相对强有力的实证支持表明，教育投资会影响学生日后在劳动力市场上的成功。这种影响对来自弱势背景的学生尤其明显。
Joshua Angrist和Guido Imbens展示了如何利用自然实验得出因果关系的精确结论。自然实验不同于临床试验，因为研究人员不能完全控制谁接受处理。在所有现实的情况下，干预的效果——例如，额外的教育对收入的影响——因人而异。此外，自然实验对个体的影响是不同的。16岁辍学的机会几乎不会影响那些已经计划好的人去上大学。基于实际实验的研究也会出现类似的问题，因为我们通常不能强迫个人参与干预。最终选择参与的小组成员可能是那些相信他们将从干预中获益的人。然而，分析数据的研究人员只知道谁参加了实验，而不知道为什么——没有关于谁只是因为自然实验(或随机实验)提供了机会才参加的信息，也没有关于谁无论如何都会参加的信息。教育和收入之间如何建立因果关系?Joshua Angrist和Guido Imbens在20世纪90年代中期的一项有影响力的研究中解决了这个问题。更具体地说，他们问了以下问题:在什么情况下，我们可以使用自然实验来估计特定干预的效果，比如计算课程，当效果在个体之间不同，我们不能完全控制谁参与?我们如何估计这种影响，又该如何解释?稍微简化一点，我们可以想象一个自然的实验，好像它随机地将个体分为处理组和对照组。处理组有资格参加一个项目，而对照组没有资格。Angrist和Imbens证明，通过应用两步法过程(称为工具变量法)来估计项目的效果是可能的。第一步调查自然实验如何影响参与项目的概率。第二步在评估实际方案的效果时考虑这个概率。根据Angrist和Imbens制定并详细讨论的一些假设，研究人员就可以估计这个项目的影响，即使没有关于谁真正受到自然实验影响的信息。一个重要的结论是，只有在那些因自然实验而改变行为的人群中，才有可能估计其影响。这意味着，Angrist和Krueger关于多上一年教育对收入影响的结论——他们估计这一比例为9%——只适用于那些在获得机会后选择离开学校的人。我们无法确定哪些个体属于这个群体，但我们可以确定它的大小。这个组的效果被命名为局部平均治疗效果，LATE。因此，Angrist和Imbens准确地展示了可以从自然实验中得出的因果结论。他们的分析也与随机实验相关，在随机实验中，我们无法完全控制谁参与干预，而几乎所有现场实验都是如此。由Angrist和Imbens开发的框架已经被研究观察数据的研究人员广泛采用。通过阐明建立因果关系所必需的假设，他们的框架也增加了实证研究的透明度——从而增加了可信度。这两位诺贝尔奖得主在20世纪90年代初的贡献表明，利用自然实验可以回答有关因果关系的重要问题。他们的贡献相互补充和加强:Angrist和Imbens对自然实验的方法论见解，以及Card对这一方法在重要问题上的应用，为其他研究人员开辟了道路。我们现在有了一个连贯的框架，这意味着我们知道应该如何解释这类研究的结果。获奖者的工作彻底改变了社会科学的实证研究，显著提高了研究界回答对我们所有人都非常重要的问题的能力。
下面这些短链接文章属于合集，可以收藏起来阅读，不然以后都找不到了。