推文人 | 葛通  

1926年 单词 econometric 诞生。1930年 国际计量经济学会成立。

 

1945年，Koopmans,T. 发表文章《Statistical estimation of simultaneous economic relations》联立方程模型从简单到复杂，大型模型颇为流行。

 

1974， Granger, C. W. J., 和 Newbold, P. 发表文章《Spurious regressions in economics》时间序列模型从简单到复杂，协整理论人尽皆知。

 

时光到了世纪之交，Heckman 和 McFadden在2000年凭借样本选择等计量领域的贡献分享了诺奖，White-Heterskedasticity-Robust让线性模型异方差问题得到了较好的解决，VAR/GARCH等模型的发展更是引人瞩目。彼时的中国大陆，有吉林大学、天津财经等十余所高等院校开设有数量经济学博士点。本期文章选取了13篇较有代表性的综述类文章，回顾了本世纪以来计量经济学发展的历程。

 

站在世纪之交的Phillips P C B.

 

Peter C.B.Phillips在2003年3月于《The Economic Journal》发表了一篇文章，站在当时的学术前沿，讨论了计量经济学方法的规则、弱点和局限。Phillips的基本观点如下：

 

“计量经济学者一贯是乐观的，他们发展出大型宏观经济计量模型，改进了计量的部分技术，搜集了更高质量更大样本的观测值，他们明白了许多道理，但模型的预测效果（很难说这不重要）---四十多年过去了---进步乏善可陈。

 

真实的模型通常是未知的，甚至可以说是永不可知的。给定一个模型形式，参数总是随机变量。引入的参数越多，数据就会显得不够。搭建非参数和半参数模型，需要更多的数据。另一方面，模型形式永远是错的。经济理论发展出来的模型结构只是对现实的某种“比喻”，是简化的结果。

 

一些基本的关联关系可能会被数据轻易地“否定”，但人们仍在继续使用这些模型，因为这些模型被当作是基础的“经济规律”。很多实证方法最多只是渐进意义上的正确。计量模型把经济现象切出一个角度来实证研究，这或许要好过不用计量的研究，比如不设边界地理解整体和主观臆断的逻辑推理。这种自信很成问题。

 

二战以来，计量经济学的地位越来越高，回顾计量经济学的文章，可以总结出一些共性出来。从这些共性里，我们可以看到计量经济学的laws and limits.

 

菲利普斯预言，高级计量方法需要等待信息技术的进步。

 

1. Some methods work, some don’t

 

计量学者十分关心对统计方法的研究，寻找更适合经济模型和经济数据的方法。这是因为，没有方法总是适用。尽管计量学者一直在蹒跚着探索，但还有大量的问题是未知的。

 

作者讨论了GMM方法, Co-integration模型，评价了自己所做的半参数协整的工作，这个模型会比线性协整的研究框架更有效，可以发现更复杂的机制。在数据不适合线性模型时，学者可以引入半参数。作者还基于分数单整的模型，讨论了不同常见经济变量的数据生成过程。对于多个长记忆时间变量数据，如果记忆参数不同，彼时的建模技术对这类数据的处理能力十分有限。作者所举的另一个例子是不够有效的工具变量。

 

2. It’s different in infinite dimensional spaces

 

最近的20多年（也有人认为1976年bootstrap提出以来），非参数和半参数方法得到广泛研究。越来越多的计量学者关心如何在不借助先验知识的前提下去发现数据本身的规律。这种规律，还可以拿来与参数化的模型做比较。在高维空间，识别模型变得困难，数据变得不够用。而且，其渐进分布不再仅仅是随n 变化而变化，而要同时面对n和h两个参数。

 

3. Unit roots always cause Trouble

 

单位根过程的极限分布是非标准分布，十分敏感多变。很难区分过程中的随机趋势和内生趋势，当考虑突变时，问题将更为复杂。面板的单位根研究甚至引发更多问题。

 

4. Cross section dependence also causes Trouble

 

长期以来，我们关注时序的关联，但假定组间的独立。事实上，组间的关联同样不容忽视。时间间数据有明确的先后顺序，这是天然的衡量关联关系的指标。不同的个体间，并没有类似的天然指标。此外，更多的参数，自然要要求更多的数据。(Peter没有提到空间计量的进展。)

 

5. No one understands trends

 

在时间序列里面，刨去影响期极短的随机冲击部分，剩下的可以统称为趋势。对趋势的建模，一方面帮助我们认识趋势，另一方面帮助我们做去趋势、平滑等工作。稳定趋势、突变趋势、非线性趋势等，都容易造成虚假回归，甚至随机趋势也可能造成伪回归。对稳定趋势建模，可以用虚拟变量、线性多项式、三角函数等，原文还给出了随机趋势的渐进推导。

 

6. DGPs are unknown and inherently Unknowable

 

模型形式与残差分布都在试图拟合和简化数据生成过程，但我们并不能真正地发现数据生成过程。我们所能做的，最多是给一个大概的指标，来标识我们距离真实的数据生成过程“可能有多近”。

 

时间序列是当时计量理论研究的核心领域，面板数据、空间计量、非参半参计量是彼时菲利普斯眼中的重点方向。（2003年10月，诺贝尔奖授予了格兰杰和恩格尔，肯定了二人在宏观计量领域的突出贡献。）

 

结构与简约的争论与和解

2010年的JEP特别刊登了一组计量经济学相关文章，讨论如何让反对计量经济学的人闭嘴。这一期中的六篇文章一般被视为简约与结构两大门派的论争与和解。

 

1. The Credibility Revolution in Empirical Economics: How Better Research Design is Taking the Con out of Econometrics. Joshua D. Angrist and Jörn-Steffen Pischke (流行教材MHE作者).

 

通过访查和统计合适的样本，构造一个实验，可以让外生变得外生、让随机变得随机、让实证变得像物理实验。当然，真的组织许多人做经济学实验同样也是一种办法，但通常太贵，也太费时间。几乎没办法组织几个超级大国这般体量的经济体来做实验。实验主义方法涌现，诸如随机控制法（RCT），自然实验法（IV,RD,DID等）。这类方法迅速得到大量应用。学者们不再紧紧盯着计量结果，而开始反思实验设计过程。

 

“介入主义的因果观”给计量带来新的思想。的越来越多的实验主义发烧友参与进来，对实验设计做出改进，在这当中，Lalonde (1986) 是一座里程碑。实验设计已经走到了微观实证的核心舞台，尤其受到年轻学者的关注的追捧。Lucas(1976)在宏观经济学领域引入了新的思路，驳斥了基于历史经验的计量结论，主张基于微观主体追求利益最大化的联立方程识别。在一代宏观经济学学者的努力下，DSGE蔚然成风。Angrist & Pischke(2010)的原文给出了许多许多实验设计的经典实例，无非是RD，DID的应用，不在本文赘述。在Angrist & Pischke(2010)看来，DSGE更像是理论逻辑的重复叙述而不是因果关系的发现。有一部分计量学者采用了实验主义的方法研究宏观数据，例如Romer(1989,2007)，需要得到更多的重视。

 

2. Tantalus on the Road to Asymptopia. Edward E. Leamer （较早地批评计量经济学误用）.

 

Edward E. Leamer 讨论了实验主义方法的局限性，支持稳健性检验以及用更好的估计方法来解决计量中的问题。我们需要的是更多精良的武器，而不是简单的“随机化”按钮。

 

3. A Structural Perspective on the Experimentalist School. Michael P. Keane.

 

Michael P. Keane 更加相信结构主义，质疑实验主义的研究方法，相信更好的理论和数据，反对无理论基础的实验主义研究。

 

4. But Economics Is Not an Experimental Science. Christopher A. Sims （VAR提出者，次年获得诺奖）.

 

Sims 强调了实验主义的局限，强调了VAR，SVAR等模型在宏观领域的重要地位。实验主义有许多好的想法，但并不严谨。

 

5. Taking the Dogma out of Econometrics: Structural Modeling and Credible Inference. Aviv-Nevo and Michael D. Whinston.

 

实验主义是近三十年当中计量经济学重要的进步，结构主义方法的进步同样不能忽视。实证研究是一项总和性的工作，需要好的实验思想，有思想地建模，谨慎可靠的识别和稳健的估计。

 

6. The Other Transformation in Econometric Practice: Robust Tools for Inference. James H. Stock.

 

作者调和了二者的矛盾，并综述了过去一段时间计量经济学领域重要的新进展（非参与半参、更稳健的标准差、弱工具变量问题、宏观结构建模等）。作者对实验主义做了辩护，在微观行为和政策分析领域，实验主义的实证研究或许更加贴近真相。

有关这两个门派的争论，本人在知乎专栏有专门的分析，在哲学上溯源到柏拉图与亚里士多德 ：https://zhuanlan.zhihu.com/p/34750636

值得一提的是，实验主义经典教材《一般无害的计量经济学》在这个时期在全世界广为流行。

 

站在今天的展望

 

2017年春，JEP再次组织了一次有关“计量经济学最新进展”的讨论。实验主义方法已经被广泛接受，争论的焦点变成了“机器学习”究竟有没有让计量变得更好。此外，学者还总结了结构方程模型、时间序列模型、计量基础理论在过去二十年中的进展，并讨论了计量经济学的教学。计量经济学的工具箱更为成熟，理论更加完善。

 

六篇文章大致可以概况当今计量的六个主要方向，分别是简约、结构、时序、机器学习、基础理论、计量教学。

 

附六篇文章标题如下：

1. Athey S, Imbens G.

The State of Applied Econometrics - Causality and Policy Evaluation

2. Low H, Meghir C.

The Use of Structural Models in Econometrics

3. Stock J H, Watson M W.

Twenty Years of Time Series Econometrics in Ten Pictures

4. Mullainathan S, Spiess J.

Machine Learning: An Applied Econometric Approach

5. Powell J L.

Identification and Asymptotic Approximations: Three Examples of Progress in Econometric Theory

6. Angrist J D, Pischke J.

Undergraduate Econometrics Instruction: Through Our Classes, Darkly

 

总结

 

进入二十一世纪之后，伴随着信息技术和数据统计的进步，计量经济学的研究从统计推断、条件概率等理论为重点，转化成统计推断与实验设计并重，经济理论与程序模拟相依的新的阶段。简约派和结构派的争论，让更多学者对两个学派的工具有了更深的理解。计量方法得到了更好地应用。自举法、机器学习开始在计量经济学方法与应用研究当中变得流行。

 

计量技术在进步，更多程度上是在变得精细。通常是计量学者在定义，经济学者需要什么样的计量。更好的估计、检验、识别，固然重要，更好的设计、应用、反思，同样重要。笔者才疏学浅，诸位同仁见笑了。