「观点」再谈“把实证研究进行到底”

本文转自“中国经济学教育科研网”，节选自作者在“截面和面板数据分析”一课上的第一讲，原标题为《再谈“把实证研究进行到底” 》，作者为陆铭教授。

▶ 实证研究在现代经济学研究和发展过程中的功能有以下几方面：

第一，实证研究是用来检验理论的。

第二，to challenge the theory（挑战理论）。

第三就是去发现一些净效应。

第四个方面， x和y的关系，x和z的关系，在理论上很清楚，但实证研究能告诉你哪个效应更强。

第五，在现代经济学的前沿研究中，更为重要的是去identify这个机制，特别是在很多宏观的研究里面。

▶ 实证研究之前需要做什么呢？

首先，要有一个great issue（大问题）作为你的研究背景。这就是“大处着眼”的问题，但是你必须要有一个small point，也就是 “小处着手”的问题。在提出一个好的问题以后，一定要充分去做文献评论（literature survey），

第二个要做的工作就是，要说明what’s new？

▶ 研究之中，首先需要一个理论。第二个就是数据（data）。

▶ 怎么才是一个好的研究呢？

首先，要新。第二，一定要是well-defined。第三，要有非常聪明的idea。最后是计量分析（econometric analysis），就是要去分析、回归、解释结果等等。

▶ 理论是怎么来的？不是凭脑袋想起来的，是把现在已经发现的事实和规律形式化（formalize）。

▶ 计量虽然重要，但large sample plus econometrics is not everything。就是说，不要以为，做计量、做实证，唯一的路子就是去做大样本加上回归。有的时候很多东西是不能度量的。有的时候数据几乎是不可得的，但是问题非常重要。

▶ 计量经济学研究和我们对于世界的准确认识之间的关系是这样的：并不是说你要去相信某一篇文章，你如果想形成对这个世界的整体看法，你是把很多实证文章放在一起，每一篇文章可能都是盲人摸象，但对于你自己来讲，对于一个好的经济学家来讲，应该把这些文章放在一起，形成对这个世界相对来讲比较完整的看法。

再谈“把实证研究进行到底”

陆铭

“把实证研究进行到底”是04年的时候我写过一篇文章，这文章发表在《经济学家茶座》上，引起了一定的反响，出乎我的意料，也说明实证研究在中国越来越受到重视。在这个时候，的确需要一些这样的文章来帮大家澄清一下对计量的一些认识。

今天，我特别想帮大家清除几个误解，这几个误解也恰恰是我在和同学接触的过程当中，从同学嘴里讲出来的误解，所以不是我生造出来的。

第一个误解是，实证研究就是应用性的，应用性的就不够学术，没什么价值，好像就是回答了一个现实中的问题，发现的结论好像是我们都知道的。

第二个就是大家都会经常讲的一句话，实证研究好做，比理论研究容易做，理论研究做不下去了就做实证研究。讲到这里，这个寒假刚刚迎来了我原来的一个学生，现在比利时鲁汶大学读博士，她最近做的工作和social economics有关系，做的是理论。我们在寒假碰到的时候就谈，我就问她，为什么你这个课题不做实证呢？她说实证太难做了。所以我想，在某些问题上，不是像大家所想的，理论做不了就做实证，可能正好是反过来，是实证做不了去做理论。我等会儿还会讲实证和理论的关系，我会告诉大家，理论和实证都非常重要，而且是互补的。

第三，同学们常常认为实证研究很简单，只要把数据往电脑里一放，结果就出来了，就可以写文章了。有一次，一位同事不无自嘲的地说了这样一句话：觉得很心虚，因为数据不是自己收集的，我们用的很多大样本数据都是别人收集的，idea也不算新，不是自己的，然后程序都是现成的，stata都是编好的。之后我们就把不是自己收集的数据，也不算太新的idea，往stata里一放，就出结果了，觉得很心虚。而我们的同学觉得经济学研究的高手应该是满纸数学符号加上自己编的程序，再画出非常fancy的图形，这就是水平高。

第四个误解是，很多同学认为现在我们研究中国问题，应该做理论，因为理论和国际接轨。特别是对于初学者来讲，考经济学的硕士和博士的时候，都是考的微观和宏观，然后一年级上课的时候上的大量都是微观和宏观的理论，所以你们就觉得那就是经济学的主流，只有做这个才上档次，哪怕做中国的研究，也应该把中国的问题写成数学，甚至干脆就不做与中国问题有关的研究。那是不是这样呢？是不是中国的经济学研究就应该首先做理论呢？

接下来我要讲的这几个问题就想尝试着去清除在大家脑子里面的几个误解。

为什么要做实证研究？

实证研究在现代经济学研究和发展过程中的功能我想有这么几个：

第一，实证研究是用来检验理论的。因为对经济学家来讲，我们有太多的理论，但是在现实中哪个理论正确与否，更重要或更不重要，其实离开了实践，我们是没有办法知道的，这是实证研究重要的第一个方面。而且从经济学的科学化的道路来讲，大家知道，第一届的诺贝尔经济学奖就是发给计量经济学家的，最近这几年也是连着发给计量经济学家。大家知道，对于科学来讲，一个重要的标准就是它可以被证伪，那我们怎么知道理论是正确还是错误的呢？经济学家实际上大量地依赖实证研究来使经济学成为一门可以被证伪或者证实的科学。

第二，to challenge the theory（挑战理论）。当一个理论产生以后，大家知道特别是数学建模的理论，一旦数理逻辑建立起来，它就有自恰性和逻辑的科学性，因为它依赖于数学，数学的逻辑是严密的，所以它在一定意义上是正确的，但是有时候，我们看一个理论会发现，当它得到的结论是x和y是正相关关系的时候，我们觉得现实生活中好像不是这样的。那么可能存在的问题就是，既有的理论没有正确地捕捉现实中的这个关系，或者说没有捕捉到x和y的关系中更重要的方面。那我们怎么知道呢？经济学就依赖实证的方法来看x和y到底正相关还是负相关？如果确实是这样，那么就说明既有的理论在很大程度上可能是正确的。在这个层面上，计量经济学、实证研究和理论研究的关系就像实验物理和理论物理一样。

第三就是去发现一些净效应。我们知道，很多理论，特别是现代经济学理论已经非常庞杂，关于变量和变量之间的关系有不同的理论。有的理论认为x和y正相关，有的理论认为它们负相关。大家知道，在做政策的时候就需要知道x和y到底是正相关还是负相关？每一个机制在理论上单独来看可能都是对的，但对于制定政策的人来讲，如果不同的机制所预测的x和y的关系是相反的，那就需要知道，一旦这个政策下去，影响到底是正的还是负的？理论是不能帮我们回答这个问题的。不同的理论得到的方向完全可能是相反的，而且现在的经济学研究在很多问题上都可以想出不同的机制，使得在这个机制下两个变量正相关，在那个机制下负相关，而且做理论的很多人往往喜欢标新立异，大家都认为x和y正相关，他就写一篇paper认为二者负相关，这是在国外发文章的捷径。现代经济学的理论，已经有非常多的理论经济学家在做这样的工作来揭示x和y的关系的不同机制。那我们在看现实世界的时候，就可能被这些理论搞糊涂了，它们到底哪个更重要？这个问题如果离开了计量经济学，我们也没有办法知道净效应到底是正是负？

第四个方面，我们再往前走一步，x和y的关系，x和z的关系，在理论上很清楚，但实证研究能告诉你哪个效应更强。大家知道在做政策的时候，比如有一笔100万的预算，我们就需要考虑这笔钱到底用来干哪件事情？比如，现在国外有个很著名的争论，就是教育的发展至少可以提出两个办法，第一是培训师资，第二就是缩小班级的规模，因为大家认为如果班级大了，每一个学生得到老师的关注就少了，这时候学生的成绩就会下降。那么对于政府来讲，就需要考虑，这100万到底去做哪件事情？且不说师资和学生之间的相关性，班级的规模和学生之间的相关性，到底是正是负，是否显著，这件事情本身就不确定，就算是确定的，政府也需要知道应该把这笔钱花在缩小班级规模上还是提高师资水平上，做哪件事情更划算？所以，我们就必须知道，在大样本的观察下，去做这件事情对学生成绩的提高程度有多大？对计量经济学家来讲，一个非常重要的目标就是要准确地让计量的结果的系数要符合真实的效应的大小，这样就可以把一个计量分析里面的不同政策变量的效应去做比较，这就有利于政策效应的提高和资源配置效率的提高，有利于改进人类的福利。而这个工作，是理论没有办法告诉我们的事情，理论没有办法告诉我们这个效应到底有多大。

第五，在现代经济学的前沿研究中，更为重要的是去identify这个机制，特别是在很多宏观的研究里面，我本人也做一些宏观的研究，比如做过不平等和增长的研究，有那么多的理论说这两者是负相关的，也有一些理论说是正相关的，我们现在的工作到了哪一步呢？实际上我们是看neteffect，在不同的理论机制下，我可以告诉你，二者总体上是负相关的。但是，还有一个很难的工作就是，这个负相关到底是因为什么导致的？实际上在我们的研究里我们是不知道的，但是计量经济学很难做的一个工作就是要告诉大家到底是什么机制在起作用？在理论上可能有好几个机制会告诉你这两者是负相关的，但到底是通过哪一个机制起作用的呢？这个机制的identification的重要性就在于，在做政策的时候，知道对什么样的机制去做政策？而这是非常困难的。

因为在收集数据的过程当中，很难区分出这样的机制。特别是在开始做计量还不是很有经验的时候，往往就想去看看x和y之间的关系。在做计量的时候，在收集数据的时候，只考虑x怎么度量，y怎么度量，然后把这数据往机器里一放就可以了，但我们可能很少会去想，x和y之间的中间变量是什么呢？我们可能就会忽略掉这些东西，那最后就没有办法去看到底这些中间机制是什么了，这样就使得研究的档次上不去。而这些工作需要在做实证研究之前，对x到y的各种各样的机制要有一个全面而清楚的了解，并且在做问卷的时候就需要知道，怎么利用一些方法把各种机制独立开，必须要非常清楚地，让大家可以确信地认为你所看到的这个机制是非常干净的。“干净”这个词是一个比较通俗的说法，它是指在我看到的x到y的关系里面，我可以让你确信，就是因为我说的这个机制，而不包含其他的东西，要达到这一点就有很多的方法。

第二个我要讲的问题是，我们处在经济学发展的历史当中的一个什么样的时点呢？我要跟大家讲的第一点就是，经济学整个理论分析的架构已经基本上完善了，这意味着在经济学理论的进展上已经很难有重大突破，这就使得实证研究成为全世界研究的潮流的一个重要原因。我这里要提到陈志俊，他是做产业组织理论的，学物理出身的。我想我刚才讲的这句话可能从我嘴里讲出来你们不太信，因为我现在很多工作是在做实证。他上学期来复旦，seminar完了之后我们在一起吃饭时他就讲，经济学的发展已经差不多了，所以大家现在就该用了，他说了这样一句话，“有的时候我觉得数学太好是害人的”。这句话特别值得数学好的同学去琢磨。

第二点，在有一些研究领域里面，我们有太多的理论，但是经验的证据不足，而这些研究领域里面，现在前沿的领域往往由实证研究所推动。那么有一些什么样的领域呢？我等会儿还会反复再讲到这几个，第一个比如说IO,经验的IO现在成为了IO研究的前沿领域。还有一个很有代表性的研究领域，就是personnel economics,人事管理经济学，现在也是经验的研究非常热。

第三个方面就是，应用的微观和政策的评估。现在在全世界范围之内，政府的公共部门都非常庞大，而且如果看政府的公共开支在GDP中的比重，它在发达国家中是上升的，那么大量的公共开支到哪些地方去了呢？到labormarket, health, education这几个领域里，在这些领域就碰到我刚讲的问题，一个政策下去到底有没有效果？哪个政策效果更大？政府也希望了解这个。

比如我刚讲到小班的例子，这是一个非常好的例子，我也很喜欢举这个例子，在美国，每年有巨额资金投入到缩小班级规模这件事情上。因为大家知道，班级规模缩小需要增加师资、教室、硬件，所以联邦政府州政府把大量的钱投在里面，但这件事情是不是真的像我们想象的那样会改进学生的成绩呢？这是不一定的，因为在一个有选择的社会里面，如果要是有一个班是小班，一个班是大班，大家马上就想到，谁会去选择读小班？往往就是富人，因为他有钱，还有就是父母的教育程度高的家庭也会觉得小班好，所以就会让孩子去读小班，于是就会看到小班的成绩好。但是小班的成绩好是不是因为父母有钱呢？是不是因为父母的学习成绩就比较好呢？还是因为班级规模缩小导致的呢？所以凭我们的肉眼观察到的，小班的同学成绩好，这不说明任何问题。如果这个政策没有效果，你要知道，给政府节省下来的钱，不知道可以造多少航空母舰了。那么在这样的研究里面，政策评估所起到的对于人类福利的改进，对于社会价值的创造就远远大于一个单纯的理论研究。

所以，为什么应用的研究和政策的评估如此之重要？很多人觉得文科好像没什么用，文科就是大家拍拍脑袋，想想idea就可以了。现在的实证研究已经可以为增进社会福利，提高资源的有效性，起到非常重要的作用。那么反过来看中国，我一直讲的一句话就是，有政策无评估，我们做了大量的政策，我们有没有评估？我们知道不知道这些政策有没有效果？我们不知道。

在经济学最近十年左右的时间里面，有一场新的热潮出现在三个领域，我也一直在讲，一个是比较经济学，一个是政治经济学，实际上是新的政治经济学，还有就是社会经济学。我这里特别要强调比较经济学和新政治经济学。新的政治经济学的一个新的研究方向，就是要去看各个国家的政治结构和政治制度对每一个国家的经济增长和绩效有什么样的影响，所以新的政治经济学的兴起，本身就带有比较的视角，那么这就马上带来一个问题，是不是不同国家的社会和政治结构对经济的绩效和增长有不同的影响？这个问题首先是一个实证问题。因为在理论发展之前，我们首先要确认的就是我刚才讲的这个事实，如果它不能被确认，那就不要去做理论了，就无所谓我们讲的comparative economics 或者new political economics了。

大家现在学经济学理论，学微观宏观理论的时候，你们会在你们的教科书上看到很多诺贝尔奖得主的名字，于是大家就有一个误解，就觉得这些代表了经济学的前沿方向，代表了主流经济学的研究方向。我要提醒大家的是，你们在微观宏观里面，特别是在公共课里面的微观宏观，而不是专业的微观宏观seminar或workshop里面所学到的，都至少是二十年前的东西。因为诺贝尔奖通常都授予二三十年前的成果。你们更应该关注克拉克奖，去看看克拉克奖得主最近在做什么东西，看看那些在世界经济学界处在最前沿位置的人在做什么东西。

《劳动和人力资源经济学——经济体制与公共政策》

实证和理论有怎么样的关系？

我今天站在这里讲实证的课，我会跟大家鼓吹实证有多重要，但这并不意味着理论不重要。理论和实证都重要，我今天讲实证重要，并不意味着理论就不重要了，相反，理论非常重要。那么理论和实证之间到底有什么样的关系呢？我先讲两句话给大家听听，这话都不是我的话，是别人说的，我来转述一下。

第一个是我的同学，现在在加拿大女王大学，丁维莉。她有一次讲到一句话，她说我为什么把实证研究来作为我职业的选择呢？因为有一次在开国际会议的时候，有两个搞理论的人争得不可开交，后来有一个实证经济学家说你们别吵了，我给你们看看证据，于是理论经济学家就不吵了。她说从那以后她就坚定了自己做实证经济学的信心。

还有一个就是我刚讲到的我的一个学生，现在在鲁汶大学，叫纪月梅。这次寒假的时候，我也跟她讲，面对很多来自于学生的困惑，就是学生不重视实证，觉得实证很简单，很好做，理论做不了再做实证。她现在做理论，但她在听我讲这句话时眼睛充满了惶惑，她心想复旦的学生怎么会这样，然后她就讲了这样一句话，“我觉得实证经济学家应该多看理论文章，而理论经济学家应该多看实证文章”。

为什么呢？大家想想看，什么叫经济学？我借用王永钦老师的一句话说，经济学理论不在于创造，而在于发现。经济学家有没有这样一个本事，说我们来创造一个理论？经济学家没有这样的本事，他们的本事在于发现现实生活当中存在的规律是什么？那么什么是规律呢？规律无非就是去解释，x为什么会导致y？那么在这之前，你首先要知道x导致了y，于是你才去解释为什么x导致了y。所以实证经济学对于理论来讲，就可以帮你提炼出在这个世界上所存在的事实。

就在这个礼拜二，在图卢兹读博士的李婷到我们学院来做seminar，她是做理论的，她说，“我这次回来，觉得在中国可以做的东西太多了，我每天看报纸看新闻，我就跟我妈讲，好多事情都可以做一篇文章。”她讲的是什么意思？其实理论经济学家的灵感是来自于对现实的观察。报纸是一种观察，电视也是一种观察。而实证经济学家可以做的是提供一种更加科学的，可以被大家确信的观察，如此而已。计量经济学家基于大样本的数据和科学的方法所得到的结论，更加可信，如此而已，所以他可以给理论经济学家提供事实基础。

我刚才讲了实证对于理论为什么重要，那接下来要讲的是实证也必须要基于理论。这里我就要反驳大家一种观点：你们看大量的计量文章的时候，看到的是计量经济学家把10几个变量往方程右边一摆，就出结果了，反正stata都会自动报，在写文章的时候就说x和y正相关，x和y负相关，就ok了，不是这样的。实证研究必须基于理论。当然我这里讲的基于理论并不一定是指基于那些已经发表的数学模型的理论，不是这个意思。你在做实证研究的时候，一开始，从变量的选取到变量的度量，再到模型的设置，都必须要基于理论，或者说得更通俗一点，必须要有理论基础，要能说出为什么，否则你要提高计量方程的非常容易，就一次项放了放二次项，二次项放了放三次项，三次项放了放四次项，……可是有什么意义？如果这样去做计量，没有意义。在放每一个高次项的时候，为什么变量间是这样一个关系，我们根本不知道，因为现在的经济学理论如果告诉我们变量之间有一个非线性的关系，通常在二次项的时候就停止了，很少有人告诉你还有三次项的关系。

第二个方面，就是避免datamining。你们以后在作实证的时候会发现，经常会碰到这样的情况，一个结果出来以后发现跟事前预期不对，有的时候是不显著，有的时候是你以为是正的，结果出来是负的。有一种做法称之为datamining，就是试，不断的试，不断的加变量减变量，不断的增加二次项三次项，或者减掉二次项三次项，再加个log项，然后再加个交互项，然后把数据的度量从FDI变成trade。从这个意义上来讲,做计量的人都知道，计量可以帮你得到你想得到的任何结果，这就是datamining。

如果计量都这么做，那太可怕了，那我们就不要去做计量了，事先就已经知道结论了。那么怎么来避免datamining呢？在具体做计量之前，你已经有一个理论的判断，然后再去做一个计量，一时发现得到的结果跟理论判断不一样，这个时候你要小心，你首先要去想为什么？是什么地方出了问题？之后再把问题找到，根据你找到的为什么会出现问题的原因再去调整你的模型和数据，这就不是datamining。在实际操作的过程中，data mining和我讲的根据理论判断去调整数据和模型之间的界限是很模糊的，但只有严格按照理论的指引得到的结果才是经得起检验的。在现在的学术制度下，你如果只是凑结果，而犯一些非常明显的错误，是不可能发表成果。

第三，可能这话稍微有点过分，对于理论经济学家，你可以片面而深刻，但对于实证经济学家来讲，必须全面，而且悉心洞察现实。大家知道做理论， x和y之间的关系或者相关性，有很多种可能。对于做理论的人来讲，其实他们的工作就是讲一种可能的机制就行了。如果你希望自己的模型复杂一点，丰富一点，可以多讲几种机制，但不需要把x和y之间所有的机制在一个模型里全讲清楚。所以从某种意义上来讲，理论经济学家可以片面的深刻，但做计量经济学就不能这样了，因为当你遗漏掉一个重要的机制或者重要的变量的时候，首先就会出现系数估计的偏误。所以对于计量经济学家来讲，在想到要做一个问题，接下来要去选数据、建模型的时候，必须事先对文献非常熟悉，就是理论经济学大概做过什么，有一些什么理论？前人在做类似的工作的时候怎么设模型，怎么选数据的？之后再做自己的工作。这个时候，遗漏掉任何重要的变量和文献都是非常危险的。

接下来要讲的问题就是，数理的模型和计量之间的关系。现在有一种看法是说，计量之前要先写一个数学模型，这样才上档次，不是这样的。如果你的计量模型可以建立在数学模型的基础上，我只能说这更好，至少是好于或等于没有数学模型。但有的时候它不是一个必需的东西，而且我特别要反对的是，大家为了追求计量模型前面要有一个数学模型，就硬摆一个数学模型在那里。我碰到很多文章，前面的数学模型跟后面的计量模型根本对不起来。那么，什么时候数学的工作在计量之前不是必需的呢？我列举这样几种情况：

第一，理论已经有了，可以直接去检验，这个时候你的创新就是提供证据。比如说，在理论上，在美国教育经济学界，大家都认为学校间的竞争有利于提高学校的效率，于是会对学生的表现有正面的影响，理论上大家都认为是这样，但事实上是不是这样呢？你不需要有数学模型的，只需要直接去检验就行了。而且现在在做的这方面的工作都没有数学模型，这也成为教育经济学研究的前沿问题。

第二，我们已经有足够的互相竞争的理论，我们就去检验一下到底哪个理论更重要？比如我刚才讲的，我们自己也做的，不平等和增长之间的关系。有人讲是正的，有人讲是负的，那我们把它们放在一起，看看到底是正是负。有人讲短期是正的，长期是负的，那我们也把它们放在一起，看看短期和长期是不是有这样的差别。

第三，如果机制已经非常清楚，并不需要什么东西都写成数学模型，数学模型是帮助我们看人脑可能看不清楚的机制的。如果人脑的思路已经够清楚了，就不需要数学模型了。

大家知道在现实世界中有所谓居住区的分割，就是穷人和穷人住在一起，富人和富人住在一起，然后有人就说，当存在social interaction的时候，由于穷人和穷人在一起，大家都相互有负面的影响，富人和富人在一起互相也有负面的影响。于是穷人的人力资本的积累就减慢了，他们的失业概率就提高了。可是这里面就碰到实证上一个很大的问题，你观察到的这种现象到底真的是因为social interaction导致的，还是事先对人力资本都不偏好的穷人选择住在了一起？这也是我们不知道的。这个东西需不需要数学模型呢？对于实证经济学家来讲也可以不写，因为更重要的是去identify到底是哪种情况导致的？人和人住在一起就会相互受影响对于实证经济学家来讲不需要去写数学模型。

大家知道在经济学很喜欢乘数，比如凯恩斯乘数，就是一点点货币政策、财政政策可以通过凯恩斯乘数放大。现在社会经济学的发展里面就提出这样一个新的概念叫social multiplier。就是说如果人和人之间的相互影响是存在的话，那么一点点政策的效果就可以通过人和人之间的相互影响而不断放大。比如上海市有一个项目叫“百万人学礼仪”，就是政府投入一笔钱来让大家提高礼仪修养。大家想，你学了这些礼仪之后回到你的社区或者同事里面，你可能就会影响到他们，大家会觉得怎么这个人穿得好了或者吃饭的样子好了，他就会来学你。那么这种效应不需要通过政府的政策实施就会存在，所以你在去评估整个政策效果的时候，你看到的是最终效果，这个最终效果除以政策直接作用的那个人的效果就是这个social multiplier的大小。在实证上这个social multiplier到底存在还是不存在？到底有多大？这个也成为实证研究上非常前沿的课题，这个也不需要数学，因为我们都知道这个事情要么存在要么不存在，就通过人和人之间的互动就产生了。

在有一些研究课题里面，实际上经济学家已经出现理论经济学家和实证经济学家的分工，就象物理学家已经分工为理论物理学家和实验物理学家。这个时候如果你的比较优势是在实证方面，你不需要去做理论经济学家应该做的那些工作。因为在某些研究领域里面，理论经济学家所用到的那些工具和实证经济学家所用到的工具相互的进入成本是非常高的。你进入的时候就应该清楚你想做什么样的经济学家，这并不意味着那些会用图论的就比那些不会用图论的更加高明和聪明。因为对于那些做理论的人来讲，他也不知道这些东西到底在现实里有没有。这时候你要定位自己是一个实证经济学家，你就大胆去做就好了。

《空间的力量：地理、政治与城市发展》

实证研究和中国经济学的发展有怎样的关系？

首先，我刚才已经举了很多的例子来告诉大家，实证研究在很多领域里面它是研究的前沿。那么，实证研究在哪些领域里面构成前沿呢？第一个在劳动经济学里面，实证研究在上世纪九十年代以后变得越来越重要，因为劳动经济学是一个典型的学科，它的理论已经基本上趋于完善了。所以，在九十年代以后，如果你说你是一个劳动经济学家，基本上大家就会把你理解为是一个应用微观计量经济学家，而不是理论经济学家。这个学科的发展已经到了一个以实证为主的阶段。

第二个就是我刚才讲到的两个例子，在产业组织和人事管理经济学里面，这些学科是从理论开始发展的，但是在它的理论大发展的时候，由于数据的公开性问题和数据的成本问题，经验研究非常少。而现在这些年，经验研究在这些领域里面构成了前沿研究领域。

第三个就是在很多的研究问题里面，我们根本就不知道事实是怎么回事。我们都能体会到，中国经济的发展、中国的制度、文化、人的行为，包括社会和政治的结构，跟现在经济学里面学到的一些东西不太一样，我们都模模糊糊地知道不太一样，但是从经济学研究来讲，我们实际上缺乏可以被经济学科学研究所确认的差异到底存在不存在？如果存在，到底有多大？我们不知道。所以现在大量的对于中国问题的理解，我们仍然是基于在西方的事实基础上所发展出来的理论来研究和理解中国的事实，但这样做，在很多时候我们就会对中国的问题看不透。如果你要提出一个对于中国的理解，构建一个新的理论的话，首先要做的就是，确实我们需要一个新的理论，因为我可以告诉你，在经验研究上它是有差异的。

我特别想强调实证研究在中国特别重要的几个理由：第一个是我刚讲到的，中国有一点不一样，但是什么地方不一样？事实还不是很清楚。第二是制定政策的需要。在中国现在所处的经济发展阶段，我们还没有足够的资源去养一批经济学家，他们可以不关注现实问题，就在书斋里读书，写paper，做所谓的纯理论。中国现在所处的阶段对应用研究的需求一定是非常大的，对此，非常重要的就是我刚才讲的policy evaluation，基于实证研究的政策评估。

大家知道中国政府现在都讲科学决策，什么叫科学决策？在英文里面没有一个词叫scientific policy making的，但英文有一个词叫research-based policy making，我觉得这就是科学决策的英文翻译，我们现在讲科学发展观，也就是要多做研究。此外，中国的实证研究也是国际关注的焦点和趋势。以后你们有机会去参加会议，特别是国际会议里面关系到中国问题的会议，你就会发现，经验研究所占的比重是绝大多数。这就反映了经济学家意识到经验研究对于这些问题而言是我们首先需要做的工作。所以，我们在中国做研究，首先要做的还是踏踏实实地告诉大家，中国到底在发生什么样的事情？在这个基础上如果要是发现有差异，那么我们就需要新的理论。

最后，由于前面三点，它就会关系到你的资助（funding）。你要去争取一些项目，包括国际的一些项目，都涉及到funding问题。

《向心城市：迈向未来的活力、宜居与和谐》

如何完成一项实证研究？

实证研究和理论研究一样，对于我们的学生来讲，往往比较容易关注到中段。就像在吃一条鱼的时候，就看到鱼肚子很肥，但你们不知道在做这项研究之前和之后有很多的工作要做，而这个之前和之后的工作往往占到70%的时间，但你们就看到这个中段，就是paper本身。那么对于实证研究来讲，之前需要做什么呢？

首先，在你做实证研究之前，你要有一个great issue（大问题）作为你的研究背景。这就是“大处着眼”的问题，但是你必须要有一个small point，也就是我经常讲的“小处着手”的问题。有了一个great issue就使得你的研究重要，而有了small point又使得你的研究具有可操作性。之后你要有一个好问题（good question）。比如我刚讲的，制度对于经济增长到底重不重要？理论制度经济学家就会告诉你很重要，可是对于实证研究来讲，我们是不知道的。因为当你看到制度好的国家经济发展水平也高的时候，我们其实不知道这是不是因为它经济发展水平高了所以它有好的制度。

那么对于实证经济学家来讲就要去看from institution to growth的这个因果关系（causality）到底有没有，这就是一个great issue。那么，small point是什么呢？在Acemoglu做的研究里面，他就想，怎么去把这个causality确定下来呢？他找到了一个很重要的工具变量，他去看非洲、拉丁美洲等殖民地时期的自然条件，其中一个非常重要的条件就是死亡率。他的想法是，如果在那个时期这些殖民地的死亡率高的话，白人就不愿意住下来，这样他们就会采取掠夺式的制度。如果愿意住下来，他们就会移植欧洲的好制度。那个时候制度的情况就会影响到今天一些地方制度好坏的差异，于是，这就很可能带来增长的差异。通过这样一个链条的作用就可以确认制定是导致增长的原因。这个做法就是一个small point使得他的研究变成了一个可操作的研究。

那大家可能马上就想了，这些都太复杂了，我做不了。做不了可以做些简单的，比如我要讲一个矿难的例子，当然这个也不简单，因为你要是研究矿难会很麻烦。但我想举个例子，前年的经济学年会上，有一位老师说，他观察到中央政府要求地方政府提高矿难职工死亡的补偿费以后，矿难反而增加了。为什么呢？根据经济理论，这有可能引起更严重的道德风险。如果安全措施是由经济决策决定的，而生命是有价值的话，矿难水平提高了意味着如果减少安全措施，一旦发生事故，补偿金水平提高了，这就会增加人的道德风险，降低安全的保障措施，这就有可能导致死亡率上升。问题在于，你们如果学过信息经济学，要做出一个像我刚才讲的这个故事的理论是非常容易的。可是这里面就遇到一个问题了，他刚才讲的这个故事到底是不是真的？是不是在补偿提高以后矿难的发生率反而提高了？或者说这两件事情有没有因果关系？我们不知道的。如果你要是把这个文章做出来，一定是非常好的文章，因为它是一个大问题，它可以证明，人的生命是不是可以用价格来算的。

在你提出一个好的问题以后，一定要充分去做文献评论（literature survey），这可以达到几个功能：第一，通过文献评论你可以去证实你的研究为什么重要。比如我刚讲的矿难问题，如果你的文献评论是这样做的：某年某月有个人说，这两者是正相关的，所以我这篇文章就要去证明这个，那这篇文章就没人感兴趣了。如果你的文献评论是这样的：在经济理论里面有人提出，人对于安全设施的投入是一个经济的计算，对此很多社会科学家是有争论的。比如一些社会学家认为经济学家的这些观点是错的，这篇文章通过矿难的案例来告诉你经济理论是否正确。人家就会觉得非常重要。

第二个你要做的工作就是，要说明what’s new？我们做研究最容易忽略的就是what’s new。你做一个东西出来，你的读者为什么要看？你一定要在做的过程中想办法在你的东西里挖出一些新的东西来吸引你的读者，因为看文章对于每个人来讲都是有成本的。你做一项研究，你一定要竭尽全力地要把你的工作在idea，method，data这几个方面跟既有的研究去做比较，来告诉大家，我用了一个不同的idea，我用了一个不同的方法，我的方法能够得到更加准确或者unbiased的估计。我的data是新的，别人的样本很小，我的样本大，别人没有这个度量，我有这个度量，所以我新。

再来谈研究之中，这个时候你首先需要一个理论。我刚才已经讲过了，这个理论和分析框架涉及到的第一个问题就是我需不需要数学？这我刚才已经回答过，就不再重复了。

第二个就是数据（data）。你的data哪来呢？当然我们有很多现成的数据，比如象我们做实证研究的，手头都有一些数据，但是你们以后去做实证研究，不管是去公司里做还是在学术界做实证研究，往往你需要自己去收集数据，这个时候你的数据是第一手的，尤其是在初始起步阶段的时候，你的样本不可能太大，样本大就需要钱，你没那么多钱，这样你的样本量不太大。那你要做这个研究，怎么才能让自己的研究成为一个好的研究呢？你就要去考虑。

首先，你要新，你要注意，是不是在你样本不大的数据里面有一些变量是别的大样本的数据没有的。或者你研究这个问题别人从来没研究过，你是第一次通过收集数据的方式来研究。

第二，一定要是well-defined，就是你这个数据一定要非常清楚地定义。比如，根据已有的文献，social capital是定义为这样几个方面，它们都是这样去度量的，用什么样的问题来问的，所以我在我的问题里面也这样问，这样你就可以得到好的度量（good measure）。最后，你的数据要well-structured，就是该有的变量你要有，你想identify的那些机制的中间变量你也都有，那么即便你的样本小一点，也可以做很好的研究。

第三，你要有非常聪明的idea，当然这很难了，所以要求就越来越高了。在计量里面，通常来讲你看到的变量和变量之间的关系只能说它是一个相关性(correlation)，但现在的实证研究已经越来越不满足于相关性，而是要去看causality。看因果关系一个常用到的方法就找工具变量。那么，这时候你用什么样的方法去看causality？用natural experiment？用足够让大家确信的外生变量？还是去找工具变量？这就需要你有非常聪明的想法来让大家确信你看到的确实是一个causality，而不是一个因果不明的相互关系。当然这个要求比较高了，在很多研究领域里面都是前沿课题。对于我们来讲，有的时候不要随便说你找到causality了，就是发现相关就很不容易了。

最后是计量分析（econometric analysis），就是要去分析、回归、解释结果等等。我们得到结果以后就可能碰到这样的问题，首先我们会发现，这个结果好像不对，我们感觉到的现实好像不是这样的，具体表现为符号或者显著性不是事先预期那样的。这个时候就要注意，有可能问题出现在如下几个方面，你一定要去想是哪些方面出了问题，然后再去调整它，而不要去做datamining的工作。第一个，数据可能是不好的。数据不好的第一个原因可能是因为用了中国的数据。中国的很多宏观统计指标是很粗糙的，比如中国的失业率本身就不是真实的失业率，你用了就有问题了。还有可能你的样本不是一个随机的样本，还有就是你的样本量太小了，这些问题都有可能导致你的数据质量不高，从而你想看到的东西看不到。第二个可能性就是理论出了问题。这又有两种可能性，一种是之前基于的理论是错的，或者它根本不反映现实情况。还有一种可能性是，可能存在一个新的理论或机制，它抵消了你原来认为的那个机制。

当你在正确的理论指导的情况下去做计量的时候，你就会知道怎么去加东西，是改变模型的形式还是改变数据，还是改变你的measurement？之后你在理论的指导下得到的结果就可以帮助你发现新的东西。理论是怎么来的？不是凭脑袋想起来的，是把现在已经发现的事实和规律形式化（formalize）。

研究之后我们得到很多结果，这时候你还有一些工作要做。第一个就是你要去解释它，我们很多同学做完了计量以后说，我的结论是x和y 正相关，x和z负相关。这毫无意义，就象你做了一个数学模型，做出来以后，它的经济学含义是什么？你要去解释为什么是正的？为什么是负的？为什么有非线性的关系？另外大家要区分两个significance。一个是econometric significance，它指的是在统计上x和y之间的关系是不是显著的。还有一个是economic significance，它指的是系数到底有多大，就是经济上的显著性，它能告诉你一个因素的重要程度到底有多高。然后你还要在这个基础上得到policy implication，即政策含义。

如果你像刚才讲的那样去做了，我就要祝贺你了，因为你已经在一个正确的道路上向一个好的经济学家前进了。

《十字路口的中国经济》

一些评论

接下来我再做几个结论性的评论。第一，尽管我前面讲了计量如此之重要，现在我要跟大家讲的第一个评论是，large sample plus econometrics is not everything。就是说，你不要以为，做计量、做实证，唯一的路子就是去做大样本加上回归。首先，计量经济学所做的很多工作，往往还不足以identify两个变量之间的作用机制，在这个层次上，计量和理论是互补的。理论能够帮你解释，为什么x和y是正相关的？机制是什么？而实证帮你看到的只是x和y正相关，如此而已。

除了理论能够帮助我们思考这些机制性的东西以外，案例case有时候也是非常重要的。我们经济学家现在已经非常看不起case，但是我觉得case很重要，因为有的时候，机制在计量里面是不清楚的，这个时候就需要去做一些case study，去观察一些现实来告诉你，你为什么在计量上有可能看到x和y是相关的。

第二种情况是，有的时候很多东西是不能度量的。计量经济学一个依赖的前提就是每一个东西都可以度量，但是不是每个东西都可以度量呢？比如什么叫制度？什么叫法律？什么叫产权？什么叫民主？其实，有的时候，一些可度量的东西往往没有不一定能准确地捕捉到现实生活中的机制。

第三，有的时候数据几乎是不可得的，但是问题非常重要。计量有计量的好处，它是大样本的，比较可信。这时候你在那些可以度量的、可以收集数据的问题上，就尽量要用计量的方法。案例用在数据几乎不可得、问题和作用机制又非常重要的问题上，你千万不要去做那些大家都觉得可以用计量来做的，你说你用案例来做，就没有人信你了，因为案例可能就只有几个观察点。

2004年的时候我发表过一篇文章《把实证研究进行到底》，有几句话我想给大家看一下。第一，计量是有陷阱的。我刚才讲过，不同的人有不同的道德底限，每个人报告什么取决于他自己。由于现在学术的规范，这是非常难做到的。在国外，你如果发表一篇实证的文章，你的数据就需要公开，要使得你的审稿人可以重复，这个时候你就不敢随便报告结果了。第二，你会发现在实证研究的发展过程中，经常是有一篇实证文章说前面的结果不可信，我得到的是可信的，而结果是相反的。那大家就很慌，为什么呢？因为做理论，你只要证明x和y是正相关，它确实在纸上是对的。但做实证，已经发现x和y是正相关，但你却明明发现它们是不相关的，那你就很慌，就生怕过了三年自己的文章没人引用了。可是我觉得这里面就需要解决一个问题，就是计量到底是什么？经济学的理论工具特别是计量工具就像我们在研究天文现象时候的望远镜，望远镜可看的远的程度相当于计量方法的科学性的程度。计量的方法是在不断地往前推进，随着方法的推进，以前得到的结果很可能就是不可信的了。这就好比你用望远镜去看这个世界，到现在为止你没看到上帝，你就以为上帝不存在了？不一定的。只是现在的望远镜看不到。从这个意义上讲，科学最后实际上是无穷逼近于神学的。所以我们千万不用怕，觉得我们用的方法不够先进，没有看到正确的东西。从这个意义上讲，我想说，用发展的眼光来看，所有的研究都是错的。因为如果没有当初的地心说，我们到现在还以为世界就是在一个大乌龟的背上。恰恰是因为有了地心说，后来才慢慢有了日心说。

再接下来看一张漫画^[1]。它讲的是非典型性肺炎的意思，很多盲人去摸这个象，有人说是恐怖袭击，有人说是病毒，有人说是细菌，就好像不同的计量有可能得到不同的结果。我们到底应该信谁呢？Feldstein讲过一句话，他说，“这个故事的重要意义不在于每个盲人带着片面的、“不正确的”印象而去，而在于聪明的王公（经济学家）研究了这五个盲人的发现后，能把各部分拼在一起，形成对大象的正确判断，特别是如果他以前曾看到过其他四腿动物的话。

这是什么意思呢？就是说，计量经济学研究和我们对于世界的准确认识之间的关系是这样的：并不是说你要去相信某一篇文章，你如果想形成对这个世界的整体看法，你是把很多实证文章放在一起，每一篇文章可能都是盲人摸象，但对于你自己来讲，对于一个好的经济学家来讲，应该把这些文章放在一起，形成对这个世界相对来讲比较完整的看法。比如我刚才讲的不平等和增长的关系，大多数人的研究都认为它们是负相关的，这个时候你就应该相信两者的关系确实是负的。所以，这就是为什么同样一个问题，不同的人反复做的原因。有的改进方法，有的改进数据，因为在不断做的过程当中，不断重复的过程当中，我们就对变量间的关系有了更为清晰的认识。

讲到这里就差不多该结束了，让我们的经济学研究走向现实，让我们将实证研究进行到底。

[1]感谢张晏提供这张漫画。

作者简介

陆铭，1973年生，上海交通大学教授。著有《十字路口的中国经济》《空间的力量：地理、政治与城市发展》《劳动和人力资源经济学——经济体制与公共政策》《向心城市：迈向未来的活力、宜居与和谐》等。

往期推荐

观点

刊界

方圆

数迹

智汇

书简

撷英

高被引期刊公号热文（5月）

中国人文社会科学综合评价研究院编辑部出品

● 声明

推文基于更好更多传递信息之目的，限于视野和能力，可能会有疏漏及不足之处，请随时指正。若有来源标注错误或侵犯了您的合法权益，请致信[e-mail]，我们将及时更正、删除！

如需转载，请保持图文完整，并标注版权及本公众号ID、二维码、作者，谢谢！

长按二维码即可关注，第一时间获得我国人文社会科学学术动态与研究资讯。

觉得“好看”请点赞或在看