过去三十年, RCT, DID, RDD, LE, ML, DSGE等方法的“高光时刻”路线图

凡是搞计量经济的，都关注这个号了

投稿：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.

给一组经济学家的集体名词是什么？选项包括一层忧郁，一个回归甚至一个假设。一月份，当博士生在美国经济学年会上争先恐后地找工作时，“市场”一词似乎是个大话题。或许，从那些撰写经济论文的人追随最新潮流的趋势来看，“牛群” 是最好的名词。今年最热门的技术是使用大数据的机器学习（machine learning）。伦敦大学学院的经济学教授伊姆兰·拉苏尔（Imran Rasul）期待阅读一堆使用这种时髦的技术所写成的论文。
经济学家容易陷入方法论上的狂热气氛。拉苏尔先生回顾了过去使用断点回归RDD技术的论文集，该技术比较一个断点两边的相似群体，从而评估政策的效果。《The Economist》对NBER出版的工作论文摘要中的关键词进行了分析（见文首图），显示了经济学家们对实验室实验，随机对照试验（RCT），以及双重差分法的热情（即比较不同组之间随着时间变化的趋势）。
当一个热门的新工具出现时，它应该会扩展经济学的疆界，并能回答以前无法回答的问题。看起来似乎很时髦的，实际上可能是经济学家们纷纷加入以帮助阐明该学科最黑暗的角落。然而，一些经济学家认为，新方法也带来新的危险；对技术的狂热不但没有推动经济学的发展，反而会误入歧途，尤其是在其婴儿期。
1976年，詹姆斯·赫克曼（James Heckman）开发了一种简单的方法来纠正特定类型的样本选择问题。例如，经济学家很难估计教育对女性工资的影响，因为选择做工作（可以衡量其工资）的女性特别容易获得高回报。当赫克曼向经济学家提供一种纠正这种偏倚的简单方法时，它涉及对入职选择的考虑，这使社会科学风靡一时。但是其诱人的简单性导致了它在各种实证分析中的滥用。
诺贝尔奖获得者和专家型的数据挖掘者安格斯·迪顿（Angus Deaton）和达勒姆大学（Durham University）的经济学家南希·卡特赖特（Nancy Cartwright）的论文认为，随机对照试验是当前该学科的宠儿，但人们对这种试验的热情不高。RCT涉及将干预政策随机分配给某些人而不是其他人，以便研究人员可以确定差异是由干预政策引起的。该方法的分析过程就是对两组人员平均值的简单比较。Deaton先生和Cartwright女士抱怨道，研究人员在计算两个结果是否显著不同时仍然不够谨慎。因此，他们怀疑使用RCT在已发表的研究成果和健康经济学中有很大一部分是“不可靠的”。
随着时间的流逝，经济学家应该学习何时使用其崭新的工具。但是，有一个更深层次的担忧：时尚和潮流正在使经济学更加扭曲，通过推动专业人士提出特定问题，但将更大的问题隐藏起来。Deaton先生和Cartwright女士担心的是，RCT似乎在绕开理论而直接得到结果，并且“在不知道事情为什么发生以及人们为什么做事情的情况下，我们冒着得出毫无价值的因果关系（“童话”）理论的风险——放弃经济学的中心任务之一（即，因果推断）。” 另一个基础性的担忧是，通过提供一种引人入胜的简单方法来评估某些政策，经济学家们忽视了无法使用RCT轻易检验的政策问题，例如制度，货币政策或社会规范的影响。
在经济学的其他地方，一种方法有时会排挤其他方法。宏观经济学家在金融危机爆发前的过度共识困扰着他们。2016年8月份，重量级宏观经济学家奥利维尔·布兰查德（Olivier Blanchard）向同事发出呼吁，要求他们减少使用动态随机一般均衡模型（DSGE），并补充说，为了进行预测，他们的理论纯度可能“更多是障碍而不是力量” ”。他提醒人们，“不同的任务需要不同的模型类型。”
这些年来仍然疯狂
机器学习仍然是新的，足以使这种反弹在很大程度上局限于学术界的眼界。但是，在最新的热潮中出现了一些熟悉的主题。原则上，这些新技术应保护经济学家免受其草率的理论影响。以前，经济学家会尝试仅使用少量输入来预测事物。通过机器学习，数据可以说明一切；机器会了解哪些输入会生成最准确的预测。
这种强大的方法似乎提高了经济学家预测的准确性。例如，研究人员已开始使用大数据来预测犯罪嫌疑人是否有可能回到法庭接受审判，从而影响保释决定。但是，与RCT一样，强大的算法可能会诱使用户忽略潜在的因果因素。数据科学家凯茜·奥尼尔（Cathy O'Neil）在她的新书《Weapons of Math Destruction》中指出，某些因素，例如种族或来自高犯罪地区的人，可能是累犯的极佳预测指标。但是它们可能反映出执法中的种族主义或零容忍的“破窗”政策，导致贫困或少数族裔社区的犯罪率很高。如果是这样，那么这些预测就有可能因无法控制的因素而惩罚人们。
拉苏尔先生对新方法带来的“一点点超调”并不十分担心。随着时间的流逝，它们的优点和局限性会得到更好的理解，并且它们会与旧方法一起加入工具包。但是批评潮流的人做对了一件事情：好的经济学就是要提出正确的问题，更何况在该学科可用的所有工具中，其使用者的怀疑是最永恒的。
文章里出现了DID，RCT，RDD，ML，DSGE等方法，下面分别就这些方法推荐一些参考读物。
关于DID双重差分法，各位学者可以参阅如下文章：1.DID运用经典文献，强制性许可:来自对敌贸易法的证据，2.连续DID经典文献, 土豆成就了旧世界的文明，3.截面数据DID讲述, 截面做双重差分政策评估的范式，4.RDD经典文献, RDD模型有效性稳健性检验，5.事件研究法用于DID的经典文献"环境规制"论文数据和程序，6.广义DID方法运用得非常经典的JHE文献，7.DID的经典文献"强制许可"论文数据和do程序，8.传销活动对经济发展影响, AER上截面数据分析经典文，9.多期DID的经典文献big bad banks数据和do文件，10.因果推断IV方法经典文献，究竟是制度还是人力资本促进了经济的发展？，11.AER上因果关系确立, 敏感性检验, 异质性分析和跨数据使用经典文章，12.第二篇因果推断经典，工作中断对工人随后生产效率的影响？，13.密度经济学:来自柏林墙的自然实验, 最佳Econometrica论文，14.AER上以DID, DDD为识别策略的劳动和健康经济学，15.一个使用截面数据的政策评估方法, 也可以发AER，16.多期DID模型的经典文献，big bad banks讲解","，17.多期DID的经典文献big bad banks数据和do文件，18.非线性DID, 双重变换模型CIC, 分位数DID，19.模糊(Fuzzy)DID是什么？如何用数据实现呢？20.多期DID的big bad banks中文翻译版本及各细节讲解，21.DID中行业/区域与时间趋势的交互项, 共同趋势检验, 动态政策效应检验等，22.截面数据DID操作程序指南, 一步一步教你做，23.DID的研究动态和政策评估中应用的文献综述，24.连续DID经典文献, 土豆成就了旧世界的文明，25.DID双重差分方法, 一些容易出错的地方，26.连续DID, DDD和比例DID, 不可观测选择偏差，27.加权DID, IPW-DID实证程序百科全书式的宝典，28.DID和DDD, 一个简明介绍, 双重和三重差分模型，29.DID过程中总结的地图展示技巧，30.DID的平行趋势假定检验程序和coefplot的其他用法。
关于RDD断点回归设计，各位学者可以参阅如下文章：1.断点回归设计RDD分类与操作案例，2.RDD断点回归, Stata程序百科全书式的宝典，3.断点回归设计的前沿研究现状, RDD，4.断点回归设计什么鬼？且听哈佛客解析，5.断点回归和读者的提问解答，6.断点回归设计RDD全面讲解, 教育领域用者众多，7.没有工具变量、断点和随机冲击，也可以推断归因，8.找不到IV, RD和DID该怎么办? 这有一种备选方法，9.2卷RDD断点回归使用手册, 含Stata和R软件操作流程，10.DID, 合成控制, 匹配, RDD四种方法比较, 适用范围和特征，11.安神+克拉克奖得主的RDD论文, 断点回归设计，12.伊斯兰政府到底对妇女友不友好？RDD经典文献，13.PSM,RDD,Heckman,Panel模型的操作程序，14.RDD经典文献, RDD模型有效性稳健性检验，15.2019年发表在JDE上的有趣文章, 计量方法最新趋势,16.关于(模糊)断点回归设计的100篇精选Articles专辑！
关于RCT随机控制实验，各位学者可以参阅如下文章：1.RCTs随机控制试验到底是什么, 会是社科研究的必然趋势，2.关于田野实验研究, 你不得不读的一篇综述文章，3.2019年诺奖夫妇编写的Field experiments手册公布！4.2019诺贝尔经济学奖获得者学术贡献10000字长文。
关于ML机器学习，各位学者可以参阅如下文章：1.Python中的计量回归模块及所有模块概览，2.空间计量软件代码资源集锦(Matlab/R/Python/SAS/Stata), 不再因空间效应而感到孤独，3.回归、分类与聚类：三大方向剖解机器学习算法的优缺点（附Python和R实现），4.机器学习第一书, 数据挖掘, 推理和预测，5.从线性回归到机器学习, 一张图帮你文献综述，6.11种与机器学习相关的多元变量分析方法汇总，7.机器学习和大数据计量经济学, 你必须阅读一下这篇，8.机器学习与Econometrics的书籍推荐, 值得拥有的经典，9.机器学习在微观计量的应用最新趋势: 大数据和因果推断，10.机器学习在微观计量的应用最新趋势: 回归模型，11.机器学习对计量经济学的影响, AEA年会独家报道，12.机器学习，可异于数理统计，13.Python, Stata, R软件史上最全快捷键合辑！,14.Python与Stata, R, SAS, SQL在数据处理上的比较, 含code及细致讲解，15.Python做因果推断的方法示例, 解读与code。
关于DSGE随机动态一般均衡，各位学者可以参阅如下文章：1.DSGE模型的参数估计, 宏观经济学的神经中枢。
Source:

https://www.economist.com/finance-and-economics/2016/11/24/economists-are-prone-to-fads-and-the-latest-is-machine-learning

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。
2年，计量经济圈公众号近1000篇文章，

Econometrics Circle

更多相关文章

随机推荐