发帖
雷达卡
《基本有用的计量经济学》赵西亮教授经济学中的因果推断方法（国庆培训班）Stata软件
《基本有用的计量经济学（MUSE）》Mostly Useful Science of Econometrics
本文是本人在写的一本应用计量书籍的结语，该书特色是用潜在结果语言描述各种识别策略，并用实例讲解各策略的软件实现，为有志于经济学实证研究的学人提出工具。欢迎拍砖。
来自公众号：芙蓉湖畔学计量
第十章 结语
观测研究所提供证据的质量和可信度很大程度上取决于它的研究设计。再好的分析方法也没有办法拯救一个设计糟糕的研究－－－－Rosenbaum
The quality and strength of evidence provided by an observational study is determined largely by its design. Excellent methods of analysis will not salvage a poorly designed study (Rosenbaum, 2010)
任何学科的终极目标都是在寻找世界的内在规律，揭示不同变量之间的因果联系，透过自然现象或社会现象寻找其背后的真理。经济学也不例外，然而，在经济学的研究中，往往很难像自然科学研究一样，通过大量实验获取支配自然界各种现象的自然规律。人们往往把各种经济现象的相关性，通过一定的抽象和假设，获得一些理论假说，并用社会现象所表现出的相关性来支撑经济假设的正确性或适用性。往往出现同样一个经济现象，会有多种理论学派提供不同的理论体系，都可以在一定时期一定程度上解释特定的经济现象。然而，真理应该只有一个，支配这些经济现象的内在规律和各经济变量之间的因果联系应该只有一种，但是我们往往无法从经济变量之间的相关性中获得真理的知识。特别是在经济学的经验研究中，很少有人相信经济学家的实证研究结果。“计量经济学的艺术就是，研究者在计算机终端中拟合许多（甚至上千个）统计模型，从中选择一个或几个符合作者预期的估计结果在论文中进行报告。”“我们发现我们正处于一种另人沮丧和不科学的景地。没有人将数据分析看作严肃的事情，或者更准确地，没有人把别人的数据分析当回事”\citep{Leamer1983}。\citet{Leamer1983}所描述的是二十世纪七八十年代美国经济学界的情形，而我国经济学界也曾处于类似的景地。然而，经过三十多年的发展，经济学的实证研究已经大为改观，经济学实证结果的可信度越来越高。在这场经济学经验研究“可信性革命”中扮演重要角色的是随机化实验和潜在结果框架的引入。随机化实验的思想使我们关注研究设计，尤其是\citet{Rubin2008}等人主张的在观测研究的设计阶段，要将结果变量先剔除，就象真正的实验一样，从而避免研究者选择一个最适合自己预期的样本或统计模型，减少研究者的自由度，增加研究设计的透明性和客观性。潜在结果框架的引入使因果的定义更加清晰简洁，使经济学家更容易定义清楚关心的因果效应问题，从而将精力集中在研究设计和识别策略上。
本书介绍的识别策略或研究设计，正是促使经济学经验研究“可信性革命”的主要工具。所有这些策略的一个共同特点，就是通过这些策略的设计，使观测研究近似于随机化实验。回归方法或匹配方法所得到的估计量，要有因果效应的解释，基本的识别条件是非混杂性(unconfoundedness)或条件独立性假设(CIA)，在计量经济学中也称为根据观测变量进行的选择(selection on observables)，基本的含义是根据可观测的协变量为条件，干预的分配是近似于随机化的，原因变量与潜在结果是独立的。 事实上，如果CIA条件成立，数据生成过程就可以看作一个分层随机化实验(stratified randomized experiment)。这里需要强调一点，本质上匹配方法和回归方法是相同的，所要求的识别条件也是一样的，如果CIA条件不成立，匹配方法和回归方法一样都是不能解决内生性问题的。\footnote{在我国经济学的实证研究中，仍然有人认为匹配方法可以解决内生性，这是误解，详细讨论参见本书第五章和第六章。}如果CIA条件不满足，意味着只根据观测变量进行分层，无法保证干预分配独立于潜在结果，仍然有未观测因素影响干预的分配。工具变量法就是寻找一个决定干预分配，但独立于潜在结果的工具变量， 工具变量法的本质类似于一个非依从的随机化实验。干预的随机化分配是工具，而个体实际接受的干预状态是原因变量，利用干预分配的随机性可识别出受工具变量影响的个体的因果效应~(LATE)。\footnote{详细讨论参见第七章。}如果我们有多期的数据，尤其是面板数据，可以帮助我们克服不随时间变化的未观测混杂因素的影响，通过差分或去均值(demean)的方法，使得增量上满足CIA，因而，DID 策略或固定效应方法本质上是增量上的分层随机化实验。\footnote{详细讨论参见第八章}。RDD策略是最接近完全随机化实验的一种研究设计，它主要的识别条件是局部随机化假设，即个体没有精确控制断点的能力，从而使在断点附近左右，个体具有高度的相似性，在断点附近，个体在左还是在右，完全是由不可控的随机性造成的，从而干预的分配近似于一个完全随机化实验。RDD~策略通过断点来识别因果效应，识别条件非常清晰，也很容易检验，研究者个人操纵的可能性较低，成为最透明和最可信的研究设计，因而，成为经济学家最喜欢的识别工具。自从经济学家从历史的尘埃中把它挖掘出来，迅速焕发生机，理论文献和应用文献大量涌现，现在仍然以指数级别在增加。
当然这些策略也不是完美的，这些策略模拟随机化实验，从而继承了随机化实验的优势，使因果效应的估计非常可信，具有很强的内部有效性。同时也继承了随机化实验的劣势，估计的因果效应往往很难外推，对经济变量之间的影响机制也很少涉及。政策评估一般包括三种类型，第一种是对已经发生的政策进行效果评估，第二种是对已经采用的政策应用到不同的群体的效果评价，第三种为从来没有发生过的政策的评价(Heckman,2001,Heckman,2010)。本书介绍的识别策略往往只能回答第一类政策评估问题，对于第二类政策评估，需要讨论一种政策在另外一种环境或群体中的政策效应，需要外推。本书介绍的方法对于第三类政策评估直接无能为力，要对一个从来没有的政策进行评价，必须要有一定的结构，才能对未来进行预测，因而必须使用结构计量经济学的工具。从实验出发的计量经济学，主要关注因果效应或原因的结果(effect of cause)，关注的重点不是结果的原因(cause of effect)，尽管对原因的结果的探讨对理解结果的原因是有帮助的，但在一个特定的研究中，实验为基础的计量经济学方法只能识别某一特定原因的结果，而不能揭示结果的原因，这也是本书方法的限制。对于变量之间内在机制的分析，仍然需要从经济理论和结构计量经济学中寻找。另外，随机化实验中压制了个体的选择，而经济学的研究对象往往是个人，关注的是个体的选择，因而，实验中所反映的因果效应，往往与现实中政策实施的因果效应是不同的(Heckman,2001,Heckman, 2010,Rucker et al., 2010)，详细可以参见第三章随机化实验的缺陷。当然，任何方法都不能完成所有的工作，本书介绍的以实验为基础的计量经济学，它的优势就是在于分析第一类的政策评估，对已经实施的政策或干预可以得到当前环境下非常可信的估计，这类研究为第二类和第三类政策评估可以提供一定的参考，为构造合理的结构模型提供依据，Heckman(2010)指出两种方法相互补充，事实上现在开始有文献将两种方法结合起来，利用实验来验证结构模型的合理性，并利用实验校准的结构模型再进行第二类和第三类的政策评估(Fehr and Goette, 2007)。
提升卡
置顶卡
沉默卡
变色卡
抢沙发
千斤顶
显身卡
京公网安备 11010802022788号
