郵箱：econometrics666@126.com
所有計量經(jīng)濟圈方法論叢的code程序, 宏微觀數(shù)據(jù)庫和各種軟件都放在社群里.歡迎到計量經(jīng)濟圈社群交流訪問.
關(guān)于相關(guān)計量方法視頻課程，文章，數(shù)據(jù)和代碼，參看 1.面板數(shù)據(jù)方法免費課程, 文章, 數(shù)據(jù)和代碼全在這里, 優(yōu)秀學(xué)人好好收藏學(xué)習(xí)！2.雙重差分DID方法免費課程, 文章, 數(shù)據(jù)和代碼全在這里, 優(yōu)秀學(xué)人必須收藏學(xué)習(xí)！3.工具變量IV估計免費課程, 文章, 數(shù)據(jù)和代碼全在這里, 不學(xué)習(xí)可不要后悔！4.各種匹配方法免費課程, 文章, 數(shù)據(jù)和代碼全在這里, 掌握匹配方法不是夢！5.斷點回歸RD和合成控制法SCM免費課程, 文章, 數(shù)據(jù)和代碼全在這里, 有必要認(rèn)真研究學(xué)習(xí)！6.空間計量免費課程, 文章, 數(shù)據(jù)和代碼全在這里, 空間相關(guān)學(xué)者注意查收！7.Stata, R和Python視頻課程, 文章, 數(shù)據(jù)和代碼全在這里, 真的受用無窮！
正文
關(guān)于下方文字內(nèi)容，作者：吳青葉，澳大利亞國立大學(xué)商學(xué)與經(jīng)濟學(xué)院，通信郵箱：wuqy3@mail.sustech.edu.cn
背景知識：1.因果推斷專題：4.有向無環(huán)圖DAG，2.前沿: nature刊掀起DAG熱, 不掌握就遭淘汰無疑！因果關(guān)系研究的圖形工具! 3.如何通過因果圖選擇合適的工具變量？一份關(guān)于IV的簡短百科全書，4.你應(yīng)該閱讀哪本因果推斷書籍: 一份進階流程圖和簡短書評列表，5.因果推斷專題：2.因果圖，6.
①Mita, 2020小諾獎RDD女王最具影響力的成名作, 附數(shù)據(jù)和計量程序
②選擇模型真用對了嗎? 扒一扒75篇頂級外刊的真相, 并獻上最權(quán)威的使用策略
③前沿: 雙重穩(wěn)健DID, 給你的DID加一把鎖！
④用中國截面數(shù)據(jù)和OLS在JPE發(fā)文, 這個外國教授憑啥這么牛！
⑤神文! 沒有計量回歸和圖表, 僅憑純文字就把文章發(fā)到Top5經(jīng)濟學(xué)期刊了！
⑥中國學(xué)者好! 我是MIT的Acemoglu教授, 我又在Top 5的JPE上發(fā)文了！
⑦必讀, 宗教是如何阻礙經(jīng)濟發(fā)展的? 基于DID, IV和各種機制分析的AER量化史分析！
Imbens, Guido W. 2020. "Potential Outcome and Directed Acyclic Graph Approaches to Causality:Relevance for Empirical Practice in Economics." Journal of Economic Literature, 58 (4): 1129-79.In this essay I discuss potential outcome and graphical approaches to causality, and their relevance for empirical work in economics. I review some of the work on directed acyclic graphs, including the recent The Book of Why (Pearl and Mackenzie 2018). I also discuss the potential outcome framework developed by Rubin and coauthors (e.g., Rubin 2006), building on work by Neyman (1990 [1923]). I then discuss the relative merits of these approaches for empirical work in economics, focusing on the questions each framework answers well, and why much of the the work in economics is closer in spirit to the potential outcome perspective.
*以下分為兩部分，今天介紹第一部分，下一次介紹第二部分。摘要：在這篇文章中，作者討論了潛在結(jié)果和因果圖法，以及它們在經(jīng)濟學(xué)中實證工作的相關(guān)性。作者回顧了一些有向無環(huán)圖（DAG）的工作，包括最近的《The Book of Why》([Pearl and Mackenzie,2018])。作者也討論了在Neyman工作的基礎(chǔ)上由Rubin和合著者發(fā)展的潛在結(jié)果分析框架。然后，作者討論了這些方法在經(jīng)濟實證工作中的關(guān)聯(lián)性，側(cè)重于那些每個分析框架都解釋的很好的問題，以及解釋了為什么經(jīng)濟學(xué)中的許多研究更接近與潛在的結(jié)果的分析視角。自20世紀(jì)20年代和30年代，因果推斷作為一個單獨的領(lǐng)域，一直是計量經(jīng)濟學(xué)中不可或缺的部分。[Tinbergen,1930],[Wright,1928],[Haavelmo,1943]發(fā)展了聯(lián)立方程組方法，他們的繼任者在供給和需求設(shè)定下也持續(xù)關(guān)注因果關(guān)系問題。隨后，由考爾斯委員會發(fā)展的聚焦識別和評估因果和政策相關(guān)參數(shù)的結(jié)構(gòu)性和簡化的方式開始蓬勃發(fā)展。在過去的三十年里，與其他社會科學(xué)和統(tǒng)計學(xué)中關(guān)于因果推斷的研究建立了密切的聯(lián)系，最近，與計算機科學(xué)的聯(lián)系也已經(jīng)建立。在這篇文章中，作者回顧了在不同學(xué)科背景下的一些因果推斷方法，并從經(jīng)濟實證工作的視角討論這些方法的相關(guān)性。兩個主要的框架：(i)潛在結(jié)果分析框架，與唐納德·魯賓的工作有關(guān)，其建立在20世紀(jì)20年代羅納德·費希爾和澤西·內(nèi)曼的隨機對照試驗；(ii) 有向無環(huán)圖，大部分與Judea Pearl和他的合作者的工作有關(guān)。這些框架是互補的，在問題的處理上有不同的優(yōu)勢。文章主要由三個部分組成。在文章的第一個部分，作者討論了朱迪亞·珀爾和達納·麥肯齊寫的“The Book of Why”中用圖形方法分析因果關(guān)系。圖形化方法在計算機科學(xué)領(lǐng)域也有較高的吸引力，例如，最近的一篇“Elements of Causal Discovery”，并且在流行病學(xué)和社會科學(xué)的部分領(lǐng)域中也毫不遜色。在文章的第二個部分，作者回顧了潛在的結(jié)果模型，代表文獻有Rubin和他的合著者的“Matched Sampling for Causal Effects”以及 “Observations and Experiment”([Rosenbaum, 2017])。其他參考文獻包括[Rubin.1974;Rosenbaum,2002,2010], [Holland,1986] 為這種方法創(chuàng)造了術(shù)語“魯賓因果模型”，以及作者自己與魯賓的文章“Causal Inference in Statistics, Social, and Biomedical Sciences”. 在文章的第三部分，作者比較了PO和DAG方法的比較優(yōu)勢和弱點。作者還討論了為什么用圖形方法來分析因果關(guān)系在經(jīng)濟學(xué)中還沒有被廣泛接受。例如，計量經(jīng)濟學(xué)的教科書“Mostly Harmless Econometrics[Angrist and Pischke,2008]”關(guān)注了因果推斷，但是沒有任何DAG的討論部分。DAG方法有兩個重要的優(yōu)點。第一，用于捕捉研究者如何思考因果關(guān)系的重要假設(shè)本質(zhì)上是其中的一個組成部分。DAGs，就像路徑分析一樣([Wright,1928,1934]) 可以有力地說明在因果模型中的重要假設(shè)。作者在工具變量和中介的討論中詳細地闡述了DAGs的這一方面。第二，在DAG文獻中的機制，特別是do-calculus,旨在讓研究人員系統(tǒng)地回答特定的因果問題。這兩種分析框架是互補的，有不同的優(yōu)缺點，與PO相比，DAG機制簡化了某些因果問題的分析，尤其是在一個有很多變量的復(fù)雜模型中。但是，在經(jīng)濟學(xué)中有許多因果問題的設(shè)定本身就是有問題的。 相比之下，PO框架的五個特征可能是為什么它在經(jīng)濟學(xué)領(lǐng)域如此流行的原因。第一，相對于DAG方法而言，在PO分析框架下有些假設(shè)是更易于捕捉的，并且這些假設(shè)對于經(jīng)濟學(xué)中的許多識別方法也是相當(dāng)重要的。這些假設(shè)包括單調(diào)性([Imbens and Angrist,1994] 和其他形狀限制如凹凸性([Matzkin et al, 1991;Chetverikov, Santos and Shaikh,2018;Chen Chernozhukov, Fernandez-Val, Kostshak, and Luo,2018]). 關(guān)于工具變量的設(shè)定就是一個典型的例子，形狀限制在假設(shè)中非常重要。第二，潛在的結(jié)果分析框架可以容易地與傳統(tǒng)經(jīng)濟模型聯(lián)系在一起。第三，目前許多流行的識別方法都關(guān)注于相對很少的變量，在這些變量中識別問題已經(jīng)被一勞永逸地解決了。第四，PO框架能夠很好地解釋處理效應(yīng)的異質(zhì)性([Imbens and Angrist, 1994;Sekhon and Shem-Tov,2017]) 和合并在最優(yōu)政策函數(shù)的設(shè)計和估計上的異質(zhì)性([Athey and Wager,2017;Athey,Tibshirani, Wager,et al.,2019b;Kitagawa and Tetenov,2015]). 第五，PO框架可以與研究設(shè)計，因果效應(yīng)估計和對于因果效應(yīng)的推斷聯(lián)系在一起。從一開始，魯賓和他的合著者就為研究人員和政策制定者提供了很多指導(dǎo)，其中Rosenbaum和Rubin（1983b）關(guān)于傾向得分的研究就是一個很有影響力的例子。除開方法的理論優(yōu)點，另一個原因是缺乏在經(jīng)濟中的適應(yīng)性，DAG文獻并沒有顯示出多少證據(jù)來證明DAG在經(jīng)濟環(huán)境中進行實證分析的好處。例如，Pearl（2000）以及Peters et al(2017)沒有實質(zhì)性的實證例子。二、 因果關(guān)系的圖解法和TBOW（The Book of Why）1、 TBOW中關(guān)于因果問題的看法及其興趣點TBOW以及Pearl（2000）的主要焦點是識別，而不是估計和推斷。例如，書中12頁的圖一所示，研究人員通常通過一個因果模型連接許多變量，一些可觀測的變量和一些不可觀測的變量。這個模型背后的假設(shè)被編碼在一個圖形模型中，即DAG。然后，研究人員開始提一些因果問題。在書里枚舉了類似的問題：a) 一種特定的治療方法在預(yù)防疾病方面有多少效果？b) 是新稅法提高了公司的銷售額，還是因為公司做了廣告宣傳？有一類問題是清單上沒有的問題，即“why”類型問題。例如，雷曼兄弟為什么在2008年破產(chǎn)？為什么股票的價格去年上漲了？為什么在大蕭條時期失業(yè)率下降了？Gelman和Imbens（2013）將此類問題稱為逆向因果推理問題，“為什么”是指一個結(jié)果發(fā)生了，而不是與結(jié)果相關(guān)的因果問題?？偟膩碚f，文獻中對此類問題的關(guān)注要少很多。許多統(tǒng)計問題和方法都是特定于因果問題的性質(zhì)。其中包括弱工具變量的文獻(Staiger and Stock,1997;Andrews and Stock,2006),對傾向評分的討論(Rosenbaum and Rubin,1983b)，重疊問題(Crump, Hotz, Imbens,and Mitnik,2009;D’Amour, Ding, Feller, Lei, and Sekhon,2017;Li, Morgan and Zaslavsky,2018),雙重魯棒性 (Robins and Rotnitzky,1995;Imbens,2004;Belloni,Chernozhukov,Fernandez-Val,and Hansen,2013;Athey,Imbens, and Wager,2018b)，關(guān)于不連續(xù)回歸的設(shè)計(Hahn,Todd, and Van der Klaauw,2001; Imbens and Kalyanaraman,2012), 以及近期關(guān)于異質(zhì)處理效應(yīng)的估計(Athey and Imbens,2016; Wager and Athey, 2017)和合成控制方面(Abadie and Gardeazabal, 2003; Abadie, Diamond and Hainmueller,2010)。還有關(guān)于因果效應(yīng)識別和變量聯(lián)合分布的識別的區(qū)分領(lǐng)域在網(wǎng)絡(luò)模型設(shè)定下也變得更為復(fù)雜。這種將統(tǒng)計問題和因果識別相結(jié)合的方法在許多方面被證明是非常有益的。TBOW對玩具模型的關(guān)注與計量經(jīng)濟學(xué)文獻相比缺乏對估計和推論問題的投入，在計量經(jīng)濟學(xué)文獻中有三個步驟：（i）先于識別問題的因果模型的發(fā)展（ii）對識別問題的研究（iii）識別問題解決后的估計和推論方法。計量經(jīng)濟學(xué)文獻中的模型放在特定情境設(shè)置下也通常是有用的。部分由于對實證列子的關(guān)注，計量經(jīng)濟學(xué)文獻已經(jīng)發(fā)展了少量研究人員認(rèn)為比較規(guī)范的模型設(shè)定和與之相關(guān)的統(tǒng)計方法。這些因果模型與當(dāng)下被稱之為識別策略相對應(yīng)(Card,1993; Angrist and Krueger,2000)。這些識別策略包括，工具變量，DID，斷點回歸，合成控制，已在本科生和研究生的經(jīng)濟學(xué)課程中被廣泛教授。如今，RD和合成控制是當(dāng)下熱門的計量經(jīng)濟學(xué)模型。TBOW引入了一種因果問題的分析，稱之為因果階梯，分為三個等級，按照復(fù)雜性的順序，分別是association, intervention and counterfactuals.在第一級，研究者在觀察的基礎(chǔ)上，形成預(yù)測。一個關(guān)鍵的概念是相關(guān)性。TBOW中關(guān)于這一級方法主要包括回歸分析和其他現(xiàn)代的機器學(xué)習(xí)方法，如回歸樹，隨機森林和深度神經(jīng)網(wǎng)絡(luò)。當(dāng)然，在許多學(xué)科中，回歸被用作一種因果分析手段，但在TBOW中，回歸被認(rèn)為計量經(jīng)濟學(xué)家所說的最佳線性預(yù)測框架，回歸函數(shù)只是一種來擬合條件期望的參數(shù)方式(Goldberger,1991)。在這個等級里，沒有什么因果關(guān)系。第二梯級是干預(yù)，一個典型的問題是如果我吃一片阿司匹林會發(fā)生什么。一般來說，這一級的問題都是關(guān)于操縱的，是用PO分析框架會關(guān)注的問題。隨機實驗是這一梯級關(guān)鍵的統(tǒng)計設(shè)計之一。在觀察性研究中，這些問題難度要大得多，但研究的領(lǐng)域非常廣泛，使用的方法也非常廣泛。因果關(guān)系的第三級是與反事實有關(guān)的，這里考慮的問題類型是如果我沒有服用阿斯匹林會發(fā)生什么（鑒于我確實服用了阿司匹林）。第三級的問題比較難回答，在PO分析框架下，在同質(zhì)的部分群體中，服用阿司匹林和未服用阿司匹林的潛在結(jié)果之間的相關(guān)關(guān)系不是點估計的。所以最終的結(jié)果依賴這樣的相關(guān)關(guān)系，這就意味著只是部分被識別。經(jīng)濟學(xué)文獻對此類問題的關(guān)注度也不如對第二類問題的關(guān)注度大。TBOW和Pearl（2000）中的因果關(guān)系方法集中在圖形模型上，特別是有向無環(huán)圖。DAG具有節(jié)點和節(jié)點之間定向的特征。作者通過四個復(fù)雜性遞增的例子進行了闡釋。第一個例子非常簡單，圖1(a)中只有兩個節(jié)點，對應(yīng)兩個變量，分別為X和Y。有一個箭頭連接著兩個節(jié)點，從X到Y(jié)。箭頭的方向表示X是Y的原因。圖1(b)表示Y導(dǎo)致X?；蛘撸瑘D1(c)中表示的未觀測的變量U（用圓而不是實心，表示點沒有被觀測到）導(dǎo)致兩者。如果我們有關(guān)于變量X和Y的數(shù)據(jù)，我們可以推斷出X和Y的聯(lián)合分布，從而估計這兩者間的關(guān)聯(lián)。這個模型允許我們從這種關(guān)聯(lián)中推斷出X對Y的因果效應(yīng)。很明顯，僅憑X和Y的數(shù)據(jù)是不夠的：我們需要因果模型作為出發(fā)點，因果關(guān)系是X導(dǎo)致Y，而不是Y導(dǎo)致X。該模型還表明，不僅僅是簡單地編碼因果關(guān)系的方向，它還捕捉到?jīng)]有其他變量對X和Y都有因果影響的結(jié)論，例如圖1(c)。注意，我們可以通過引入兩個為觀察到的變量對DAG進行拓展，如圖1(d)所示。在SEM版本中，這些未觀測到的變量將是顯式的。因為之間沒有相關(guān)關(guān)系，這兩個變量的存在不會影響結(jié)論，所以可以從DAG中刪除它們。接下來，考慮圖2，這里的DAG稍微復(fù)雜一些，現(xiàn)在有三個觀測到的變量。除了X和Y，還有一個箭頭從X指向Y，還有第三個變量W的箭頭從W到X和從W到Y(jié)。X和Y的關(guān)系不足以推斷因果效應(yīng)：這個效應(yīng)被W對X和Y的影響混淆了。盡管如此，因為我們觀察到了W，仍然可以通過控制或調(diào)整W來控制X在Y上的變化推斷因果關(guān)系。圖3更為復(fù)雜?，F(xiàn)在有三個觀察到的變量，X，Y和Z，還有一個未被觀測到的變量U。有箭頭從Z到X，從X到Y(jié)，從U到X和Y。后兩個是虛線。U是一個未被觀測到的變量，U的存在使它在一般情況下不可能完全從X和Y的聯(lián)合分布中推斷出X對Y的平均因果效應(yīng)。這個DAG捕捉了一個工具變量的設(shè)定。計量經(jīng)濟學(xué)的術(shù)語表示，X是內(nèi)生的，因為存在一個未被觀測到的U同時影響X和Y。變量Z對結(jié)果Y沒有直接影響，也不存在未被觀測到的因素作用在Z對X的影響上。這種工具變量的設(shè)定為經(jīng)濟學(xué)家所熟悉。TBOW認(rèn)為，與計量經(jīng)濟學(xué)相比，DAG版本闡述了關(guān)鍵假設(shè)和結(jié)構(gòu)。作者同意TBOW的DAGs在清晰度上更勝一籌的結(jié)論。但是作者并不確信DAGs相較于PO分析框架通過將關(guān)鍵假設(shè)分離為無混淆因素假設(shè)和排除限制假設(shè)更優(yōu)越的地方(Angrist, Imbens and Rubin, 1996)。在作者看來，這似乎是一個使用習(xí)慣問題。當(dāng)然對很多人來說，DAGs是一種有效的解釋工具。注意，在工具變量模型設(shè)定中，確定X對Y的因果關(guān)系是很精細的，但是用DAGs方法并不能確定。
2.5年，計量經(jīng)濟圈近1000篇不重類計量文章，
可直接在公眾號菜單欄搜索任何計量相關(guān)問題,
Econometrics Circle
計量經(jīng)濟圈組織了一個計量社群，有如下特征：熱情互助最多、前沿趨勢最多、社科資料最多、社科數(shù)據(jù)最多、科研牛人最多、海外名校最多。因此，建議積極進取和有強烈研習(xí)激情的中青年學(xué)者到社群交流探討，始終堅信優(yōu)秀是通過感染優(yōu)秀而互相成就彼此的。
