在自然科学中，做实验的地位是非常重要的，尤其是在大众的印象里，做实验就等于科学研究。在经济学领域也是一样，如果我们不做实验，仅仅通过观察到的数据来对比，那往往会得出一些让人哭笑不得的结论。
举个例子，如果我们比较从医院出来的人的健康状况，和没有去医院的人的健康状况，会发现平均下来，没有去医院的人健康状况更好。于是我们得出结论：医院让人不健康，因此关掉所有的医院就有助于提高人群的健康水平。
这个结论显然是荒谬的，去医院的人，和不去医院的人根本无法构成一个对照组来做实验。
然而，经济学所关注的领域，恰恰有太多这样无法做实验，但是又很重要的问题。比如医保、养老金制度的改革：在政策推出之前，可以有很多论证，但发生了就是发生了，我们也不可能回到没有发生的状态，换一种选择再观察一遍。
再比如劳动力的供给和工资之间的关系。一个地区的劳动力供给就是有限的，而劳动力的自然增长往往和其他的因素密切相关，这些因素也会影响到工资本身。
这时候要做实验，理想的状态下就需要随机从一个省“调拨”一大群劳动力去另外一个省，观察该地区劳动力冲击所带来的影响，但显然这种实验是现实中任何一个理性政府都不能去做的——让很多人背乡离井，放弃自己的生活、家人和环境，生活工作都得不到保障，仅仅只是为了做一个实验去验证某个政策的结果。
但是这些问题，又能对社会产生深刻的影响。往小了说，国家的政策关系着很多人自己的工作前景、职业选择以及居住地选择；往大了说，一项政策是不是应该推出，这个论证过程本身也确实需要经济学来验证。
而这，就是今年诺贝尔经济学奖得主们的贡献——拟自然实验。
今年的诺奖并非是像之前那样，用于奖励某一个开宗立派的祖师。他们的贡献，尤其是Angrist和Imbens，横跨经济学的各个领域，深刻而显著地影响了整个实证经济学的研究。无数的顶刊文章，很多国家的政策分析，都得益于他们在经济学方法论上的卓越贡献。
可以说，现在的经济学家，尤其是使用数据来进行分析的实证经济学家，几乎没有人不曾读过Angrist和Imbens的著作，没有人不曾用过他们的方法。
比如说，最近有的公司债务缠身引起了大家的关注。那么如果我们要研究政府补贴对公司债务的影响，应该怎么做呢？直接比较不同地区不同公司是不行的，因为公司往往会观察当地政府的各种优惠，来选择是不是在当地建厂，这就跟只有生病的人去医院一样，对比的结果没有什么说服力。
而完全通过理论论证也有难度：有了政府补贴，公司可能会减少自己的债务，因为自己有了补贴，就足够扩张了；但另一种可能是有了政府补贴之后，公司可以承担更高的债务了，所以会更加大手大脚地借债。
观察的数据不可靠，理论上两种可能又都有。那么对地方政府而言，要不要针对某个行业给补贴呢？如何进行政策的评估？
观察数据的不可靠性，在经济学中被称为“内生性”，本质在于各种因素的内在逻辑互相纠缠，而最终的数据体现出来的是综合结果，无法把里面的逻辑分开。
Angrist和Imbens的贡献，就是要寻找这些纷乱逻辑中的随机性，然后利用随机性这把刀，斩断其他干扰我们判断的因素，找出我们希望真正观察到的因果关系。
自然实验
在上面的例子里，我们就需要找到一个“出乎意料的事件”来作为“拟自然实验”。
比如说，美国很多地方政府的选情是很胶着的，有时候民主党胜利，有时候共和党胜利。而两个党派对于补贴的态度是有明显区别的。那么，在双方势均力敌的地区，谁赢谁输，都是公司无法预料的。甚至可以说取决于随机的一些因素——比如说投票当天在下雨，一些比较贫穷的选民不愿意去投票了，这可能就让民主党输了。
那么，我们把这些势均力敌，仅仅以很少的比例分出胜负的地区拿出来，就构成了一个对照组和处理组：民主党获胜的地区补贴力度大，而共和党获胜的地区补贴力度小。这种情况下，补贴对于公司而言，就是一个外生的、公司无法进行事先选择的冲击。我们就可以进一步控制其他的一些社会经济变量，来通过回归分析，得出政府补贴对公司债务规模的平均影响。
相当于耗费人力财力无数的竞选游戏，在经济学家这儿变成了实验，可以借力打力来研究社会经济更深层的逻辑。
Angrist和Imbens对自然实验进行了进一步的分类，分为双重差分和断点回归两种。
双重差分
今年的另外一位获奖者David Card，是劳动经济学领域的大牛。他的贡献主要不是在方法上，而是在劳动经济学领域的开创性贡献，尤其是他的文章里面，广泛应用了刚才说的“双重差分”方法。
最低工资和劳动需求的关系，初级经济学的书本上往往会说两者是反向联系的——最低工资越高，劳动力需求越少，失业的人也就越多。这也成为了一个反对设置最低工资的论据，但事实真的是这样吗？
David Card构建了一个拟自然实验。他选择了两个州相邻的地方，相邻的区域无论是经济还是人文都非常接近，区别就在于按照州作为分界线，一边最低工资涨了，另一边没有。这就是很好的对照组和控制组。
David Card发现，其实书本上写的也不全是对的——最低工资增加的新泽西，并没有显著减少对初级劳动力的需求。
可以说，David Card这项研究，给低收入人群的福利提升，提供了坚实的实证基础，并且启发了后来一系列的劳动力政策相关的研究。我们现在每天能在新闻里面看到很多劳工保护、低收入人群福利等相关的政策，David Card实启其端。
双重差分具体的做法很简单：
第一步，先把新泽西和宾夕法尼亚州最低工资还没发生变化时刻的劳动力供给相减，得到的结果就是两个相邻地区固有的差异；
第二步，等到新泽西州法案实施之后，再把两个地区的劳动力供给减一次，得到的是新的地区差异；
第三步，把新的地区差异，减去第一步获得的固有差异，我们就得到了最低工资提升的政策效果。
图示就是这样的：
灰色线是宾夕法尼亚，蓝色线是新泽西。中间的虚线就是政策实施的时间点。可以明确看到，当新的区域差异，减去固有的区域差异之后，我们就得到了真实的政策效果。这个方法因为需要减两次，所以称之为双重差分（Difference-in-Difference）。
断点回归
Angrist和Imbens的贡献并不仅仅是双重差分。在有一些情况下，如果连对照组也找不到怎么办呢？那就用“断点回归”。
比如我们想知道，到底是学校造就了学生，还是学生造就了学校？同一个人上高中还是上职高，有没有区别？区别到底有多大？
这也是无法做实验的，我们没办法把一个本来上了高中的学生随机分配到职高去，也没办法把职高的学生随机提到高中来。做这样的实验会改变人的一生，无论是实验伦理还是实际情况都不允许。
这个时候怎么办呢？核心还是在确定性的结果里面寻找随机性。这里面的随机性就来自中考。因为考试必然存在发挥的问题，也就是在分数线上下的一个狭窄区间，这些考生可以看作是差不多的，是命运的手把他们随机分到了普通高中和职业高中。
构建了这个自然实验之后，我们就可以用分数线上下的这部分学生来作为样本，研究随机分配到高中和职高，对一个人未来发展、薪酬的影响了。
这个方法非常有用。因为现实中有太多这样人为筛选的节点了，无论是对个人，对公司都是一样的。而在筛选的标准线上下，往往都是失之毫厘差之千里。比如突然出了一个政策，给注册三年之内的公司一个税务减免，那么注册三年零一天的就领不到，而注册两年零364天的就可以。这一笔税务减免，就可能给两个本来差不多的公司将来的发展造成实质的区别。
制定这些条条框框的人，没有想到这是一个实验，但是在Angrist和Imbens看来，政策的随机性、个人发挥的随机性，这些都可以经过巧妙的构建，成为自然实验，来研究一些表象之下更深层次的问题。
有了这个方法之后，极大地增加了经济学的实用性和研究范围。可以说，他们的贡献，甚至超越了经济学这个学科，对社会科学的其他分支，比如政治学、社会学、心理学、国际关系等等，都有很大的影响。
Imbens和Angrist的贡献，用一本书来写都不夸张。这本书他们已经写了，质量非常高，那就是：
推荐给任何一个对实证经济学有兴趣的人。
顺便说一个小八卦，Imbens的夫人，Susan Athey，也是一位很强的经济学家，现在在斯坦福大学工作，在业界的名气比Imbens还要大，她已经获得了号称小诺贝尔奖的克拉克奖，在将来很可能因为其在机器学习和计量经济学相结合方面的贡献，再拿一次诺奖。
夫妻俩因为不同的贡献同获诺奖，也会是一段佳话。
作者：巴九灵，文章来源微信公众号：吴晓波频道，版权归原作者所有，如有侵权请联系本人删除。
إخلاء المسؤولية: الآراء الواردة هنا تعبر فقط عن رأي الكاتب، ولا تمثل الموقف الرسمي لـ Followme. لا تتحمل Followme مسؤولية دقة أو اكتمال أو موثوقية المعلومات المُقدمة، ولا تتحمل مسؤولية أي إجراءات تُتخذ بناءً على المحتوى، ما لم يُنص على ذلك صراحةً كتابيًا.
اترك رسالتك الآن