推文人 | 李瑶 许文立 

 

原文出处

 

Josh Angrist, Jörn-Steffen Pischke，2015，Mastering metrics: Teaching econometrics，VOXEU

 

在过去半个世纪里，经济学研究已经发生了巨大的变化，即变得更加偏向经验研究，而非抽象的理论研究。这股变革风潮在应用微观经济学领域刮得最为强烈，而计量经济学却远远落后了。本文认为，计量经济学的教学必须以更加优秀的教材为出发点进行一场彻底改革。

 

金融危机引起了一些疑问：“经济学的用途是什么？”，这是大多数经济学家在大学里学过的一个基本经济学问题。而我们则会问：“至少在目前的教学中，计量经济学有什么用处？”大多数经济学专业的本科生会学习一门计量经济学课程。该课程应该让学生具备更有实用性的技能之一。数十年来，经济学本科生们在需要大量使用定量技能的行业找到了工作。随着数据集愈加庞大和日益复杂，市场对具有数据分析能力的应届毕业生的需求迅速增长。计量经济学课程可以为学生提供强力的工具，这些工具是经济学家用来解释数据背后的经济关系的。因此，这样一门本应是超凡卓越的计量经济学课程仍然是抽象的知识体系，且表现得与经济政策分析、商业问题甚至学者们所从事的大部分计量经济研究无关。这是一件多么令人遗憾的事情。

 

在简要讨论了曲线拟合之后，Pindyck and Rubinfeld（1976）的第一版教科书以“模型”、“估计量的统计性质”和“最优线性无偏估计量”为标题开始了计量经济学。 Johnston（1972）的第二版同样从模型、假设和估计量开始。Johnston将多元回归模型描述为“拟合回归面”，而这只是对拟合直线的双变量模型的技术扩展。几十年来，本科计量经济学的教材几乎没有什么变化。 Becker and Greene（2001）在千禧年之际对计量经济学教材和教学进行了调查分析，认为“计量经济学和统计学通常被作为数学的分支来教授，即使在商学院教授的时候也是如此......教科书的重点是介绍和解释理论与技术细节，对于应用的关注则居于次要位置，且那些应用通常是为了解决手头上的实际工作而做，很少有基于财经报纸、商业杂志或经济学学术期刊上报道的事件而做的经验研究。”

 

计量经济学教学与实践脱节

 

沿袭传统经典教材中的目录，当下最流行的计量经济学教材仍在刻画模型和假设，而不太关注经验应用。如果教科书中出现核心经济问题，它们的应用也只是顺便一提，并且大部分经验案例都是人造的，例如Studenmund（2011）引入了一个身高和体重之间关系的奇秒分析，并做了一个回归。在Hill，Griffiths and Lim（2011：49）的课本中，第一个经验应用探讨了食物支出与收入之间的关系，这个有趣的关系中没有表明原因或目的。相反，他们的讨论强调了“我们假设数据满足假设SR1-SR5”的事实。Stock and Watson（2011）的课本以“经济问题和数据”开篇，并应用回归来探讨班级规模对学生成绩的因果效应。可惜的是Stock和Watson也回归到更传统的基于抽象的模型论述上。

 

计量经济学教学和实践的脱节，不仅仅体现在其基调和例证的问题上。它们之间最大的差距是概念上的。五大核心计量工具——实验、匹配和回归方法、工具变量、双重差分和断点回归设计——的优势标志着经验经济学范式的转变。过去，经验研究主要集中在对模型的估计上，是对经济理论的检验，或者仅仅是因为对计量经济学的固有认知而建模。当代经验研究要求关注经济动力和经济政策。

 

与当下强调的特定因果效应一致，Angrist and Pischke（2015）在“功夫计量”一书中将回归作为一个策略来回答这样一个问题，即像很多美国学生所做的那样，在私立大学每年花费5万美元以上的学费是否值得？当然，由于很多原因，那些选择私立学校的学生很可能会有更高的收入——这就是选择偏差，困扰着许多经验研究。而回归是一个减少这种偏差的控制策略。它的价值完全取决于核心概念，即受控的比较比不受控制的比较更可能具有因果解释。在当代计量经济学实践中，使用最广泛的计量经济学工具旨在捕捉特定的因果关系，如私立学校的收入效应。这样的问题很容易理解，并且它们的结果对于人们，包括学生，都有着现实意义。

 

实用主义

 

自20世纪80年代以来，对现代应用计量经济学中因果关系的关注逐渐出现，并愈演愈烈。1今天的计量经济学应用大量使用准实验研究设计和曾只在医学研究中才被用到的随机试验。事实上，随机实验的概念已经成为大多数应用计量经济学研究的基本概念。即使在随机配置并不实际存在的情况下，我们希望使用的实验概念也能指导我们对经验问题做出选择，并规定我们对非实验工具和数据的使用。

 

理解计量经济工具的路径，首先是弄清经济理论所激发的因果问题。然后，用数据回答这些问题，并仔细进经验分析。健康保险对健康有什么影响？逮捕施虐者是否会减少家暴？同伴效应对于学生成绩是否重要？中央银行的流动性是否可以救银行于危机之中？我们的每个方法论章节都是从这样的问题开始，简单提出问题，并给出了具体的回答。我们解释了为什么这些问题是具有挑战性的，为什么用简单的经验策略来解决这些问题可能会产生误导。本书中的计量经济学方法和工具是现代应用经济研究中使用最多的方法和工具。

 

我们关注五大核心计量经济学工具，它们是当代计量经济学实践的一个自然结果它们与经典线性回归模型的形式、晦涩的广义最小二乘法统计假设或者充斥在众多教材中的详尽联立方程组几乎没有关系。我们从随机试验开始，这些试验为研究的有效性设定了标准，然后详尽的探讨了那些最可能被应用的回归工具。本书的回归应用——估计就读私立大学对未来收入的效应——显示了在进行因果关系推断时回归分析的强大能力。

 

虽然工具变量回归是解决估计供求曲线问题的一种解决方案，但现在，工具变量最常用的方式是：作为选择偏误问题的解决方案。相比之下，Hill，Griffiths和Lim（2011）在“随机回归量和矩估计”这一章中引入了工具变量回归。按照功夫计量中的工具变量回归，围绕工具变量回归捕捉因果效应的三个有趣用途，我们介绍了断点回归设计和双重差分方法。 Econlit的搜索结果显示自1990年以来发表的数百篇使用了这两种方法的论文。然而， Studenmund（2011）、Gujarati，Porter（2010）课本中则没有关注这两种方法，而Hill，Griffs，Lim（2011）和Wooldridge（2012）的课本中也仅仅关注双重差分。

 

不只是线性模型

 

除了最新的内容，我们的书还更新了计量经济学教学标准，因为我们摈弃了传统的计量经济学教学方法中那些幼稚的文字主义。本着这种精神，我们避开了将回归与线性模型相联系的观点。回归描述平均值的差异，不管这些平均值是否拟合线性方程。这是一个普遍的特性——一个可靠的事实——我们不会用不满足经典假设所产生的后果来吓唬读者。我们对回归的讨论是从读者自问开始。首先，目标因果效应是什么，其次“你想要什么样的回归”？换句话说，当你们试图得到平均因果效应时，你想要控制哪些因素不变？遗漏变量偏误是理想的回归结果与实际得到回归之间的差异。本着同样的精神，我们引入工具变量作为解决随机自然实验中compliance problems的一种方法。这很容易引出对两阶段最小二乘法的讨论，两阶段最小二乘法是利用工具变量的有效方法。我们以教育的经济回报这一综合研究来结篇，介绍了不同的方法是如何揭示单一的潜在因果关系这一重要内容。

 

根据我们的经验，大多数计量经济学教师喜欢使用数据，他们希望，并期待学生也能如此。然而，传统计量经济学的不足之处就是它单调乏味。这真是太糟糕了，因为现代应用计量经济学是有趣的、相关的、好玩的！计量经济学的教学过程应该是寓教于乐、妙趣横生的。除了玩得愉快之外，我们还为下一代的学者、决策者和具有经济素养的公民埋下了有用的数据分析的种子。这种教学方法的前景可以从《魔鬼经济学》系列的畅销中以及Acemoglu，Laibson和List（2015）的经济学原理的书中得以显见：他们对经济学的看法使问题和证据超越了抽象模型。我们很高兴能加入这些同行的行列，努力擦亮和更新我们生锈的教学模式。

参考文献

Acemoglu, D, DI Laibson, and JA List (2015), Economics, Pearson.

Angrist, JD, and J-S Pischke (2015), Mastering Metrics: The Path from Cause to Effect, Princeton University Press.

Becker, WE, and WH Greene (2001), “Teaching Statistics and Econometrics to Undergraduates”, Journal of Economic Perspectives, 169-182.

Gujarati, DN, and DC Porter (2010), Essentials of Econometrics, McGraw-Hill.

Hamermesh, DS (2013), “Six Decades of Top Economics Publishing: Who and How?”, Journal of Economic Literature, 162-172.

Hill, RC, WE Griffiths and GC Lim (2011), Principles of Econometrics, Wiley.

Johnston, J (1972), Econometric Methods, McGraw-Hill.

Pindyck, RS, and DL Rubinfeld (1976), Econometric Models and Economic Forecasts, McGraw-Hill.

Stock, JH, and MW Watson (2011), Introduction to Econometrics, Addison-Wesley.

Studenmund, A H (2011), Using Econometrics: A Practical Guide, Addison-Wesley.

Wooldridge, JM (2012), Introductory Econometrics: A Modern Approach, South-Western Cengage Learning.

 

尾注

1.例如，参见Hamermesh（2013）的表4，其中突出强调了对用户生成数据的分析，这些分析来自实验和准实验研究设计。

 

李瑶，安徽大学经济学院研究生，ahuliyao@163.com

许文立，安徽大学经济学院，xuweny87@163.com