SUFE·小百科 | 2021年诺贝尔经济学奖：什么是现代经济学意义上的因果关系？

政务：上海财经大学 2021-10-15 20:25

SUFE·小百科 | 2021年诺贝尔经济学奖：什么是现代经济学意义上的因果关系？原创走进诺奖的上海财经大学

财经知识小课堂

2021年10月11日下午6点，诺贝尔奖委员会公布今年的颁奖结果，今年的诺贝尔经济学奖授予了三位在美国工作的经济学家，分别是加州大学伯克利分校的卡德（David Card），表彰他在实证劳动经济学方面的贡献；同时也颁发给麻省理工学院的安格里斯特（Joshua D. Angrist）以及斯坦福大学的因本斯（Guido W. Imbens），表彰他们在因果识别方面的贡献。

SUFE·小百科

敲黑板啦！今天官微小编特邀我校经济学院梁捷老师为我们解读2021年诺贝尔经济学奖

其实这三位学者的主要工作都与因果识别这种实证研究方法有关。他们不仅解决了因果识别中涉及的大量技术性难题，还把这种方法推广到劳动、教育、移民、医疗保险、社会政策等诸多领域。对于当代经济学的理论研究和实证应用都产生了深远的影响。有一些学者认为，在最近的二十年里，经济学界已经掀起一阵“因果识别革命”。

因果识别方法

今年的诺贝尔经济学奖得主对于社会大众而言是全新的名字，但是对于经济学专业的学生来说，却是最熟悉不过的名字。上过“计量经济学”这门课的同学，几乎都读过安格里斯特编写的教科书《基本无害的计量经济学》。看多了这本书，很多同学都会亲切地称他为“安神”。

可能也有少数同学没有读过安神的书。毕竟有些计量经济学的老师要求更高，嫌这本书太简单，希望同学们直接学习更高难度的计量经济学教科书。不管怎样，卡德、安格里斯特与因本斯这几位学者的研究，早已进入经济系同学们平日的学习范畴，他们的论文也都是大家反复揣摩与模仿的对象。

因果识别方法也是当下经济系同学最喜欢的研究方法，主要就包括工具变量、双重差分、断点回归、自然实验、随机对照实验等。每一次评审经济系本科毕业论文时，大多数同学的论文中都会采用其中一种甚至多种研究方法。有些老师也会提醒同学，“你这篇论文如果没有采用双重差分法，就可能毕不了业”。所以大家对于这套方法都很熟悉，而这套方法的祖师，正是今年获得诺奖的这几位老教授。

同样一种研究方法，前辈大师和同学们分别展示出来，会有巨大的差别，而且开创者与模仿者所面临的困难也有极大的不同。但是从大家对于这套方法的熟悉程度来看，因果识别对于当代经济学的研究和教育影响深远。同学们可以直观地感受到，自己与诺贝尔奖、学术前沿的距离并不是那么遥远。

卡德、安神的人的实证工作、切入角度，一经点破，所有人都会恍然大悟，拍案叫绝。但自己能否做出同等水平的工作，那就是另外一回事了。

因果识别对教育研究的应用

因果识别方法在诸多领域都有应用。下面我们就以安格里斯特在教育领域的两项著名研究为例，来考察一下因果分析的威力。

教育的长期回报率是政策制定者以及所有人都会关心的问题。一个人在学生期间接受教育时间长短，对于未来的终身收入会产生怎样的影响？政府是不是有必要调整《义务教育法》中的教育年限，用法律手段强行提高全国人民接受基础教育的时间长度？这个问题很重要，又很复杂，因为其中存在内生性。一个人从事什么样的工作，拿着什么样的工资，这固然都是自己的选择。而一个人接受多少年的教育，这可能也是自己的选择。这两者之间的因果关系又纠缠在一起。

安格里斯特发现，美国的《义务教育法》一直有规定，只要当年年满6岁的儿童，都必须在当年的9月份入学。也就是说，一个孩子的生日如果是12月31日，那么他和生日是1月1日的孩子一样，都是在当年9月份入学。所以平均来看，第一季度出生的孩子在入学时平均年龄为6.45岁；而在第四季度的出生孩子，入学时平均年龄就只有6.07岁。同时，美国的《义务教育法》还规定，只有年满16岁，青少年才可以离开学校，辍学去工作。

假如一个人的生日是1月1日，在他16岁的那一年，过了1月1日，他就可以辍学去工作；而如果他的生日是12月31日，那么他就需要多上一整年的学，到第二年才能合法地离开学校。安格里斯特检查了美国的劳动数据，在1940年代以前出身的美国人，确实有一部分到了合法的辍学年龄，就选择去上班了。

于是，安格里斯特与合作者使用每个人出身的季度作为工具变量，分析美国人接受教育时间与后来收入回报之间的关系。每个人出生的季度完全外生，不能由自己选择。在回归分析中引入这个工具变量，那么教育年限为因，教育回报率为果，因果关系得以明确。

他们的研究发现，对于1920年代出生的孩子而言，第一季度出生的人比其他三个季度出生的人少上了0.126年学，教育回报率也要低0.7个百分点；对于1940年代出生的孩子而言，第一季度出生的人比其他三个季度出生的人少上了0.109年学，教育回报率要低1.02个百分点。由此可以得出结论，一个美国人接受的教育年限越少，教育回报率也就越低；接受教育越多，教育回报率也会越高。

除了教育年限之外，可以再举一例安格里斯特对于班级规模与教学效果的研究。很多教育专家都在探讨，学生学习时，究竟较大规模班级还是较小规模班级对学习更为有利？很显然，在较小班级里，教师有精力顾及每个学生，与每个学生互动，学生也会觉得受到关注和尊重，因此会增强学习动力。但规模大一些的班级可能也有好处。比如学生有机会接触更多类型的同学，与不同的人交朋友，从不同的人那里获得学习经验等等。

在美国的学校里，既有大的班级，也有小的班级，构成班级的形式极为多样。有一些家长知道某些学校非常优秀，所以想办法把孩子送来读书，这些学校的班级规模自然而然就扩大了。所以班级规模对于学生的学习成绩的影响的因果关系是不容易识别的。

安格里斯特发现，小班往往被认为是精英化的教育模式。因此有些学校规定，如果孩子想要想进入小班进行学习，就必须经过考试，并满足一定的分数要求。在这种情况下，分数线就可以成为是否接受小班化教育这个干预的一个“断点”。正好在分数线上的孩子与正好在分数线下的孩子相比，两者原本的学习表现几乎没有差异。但就是偶然的一分之差，使得一个孩子进了小班，另一个孩子进了大班。

所以我们只需要比较断点两边对象的相关表现，就可以得到小班化教育的影响。安格里斯特和几位合作者就利用这种方法开展了很多研究。他们的研究结果表明，小班化确实可以带来很大的收益。当班级变小后，孩子的成绩会出现明显的上升，未来也会因此带来巨大的收益回报。在某一项研究当中，他们发现只要把班级的规模从22人减少到15人，就可以获得5.5%的内部回报率。所以安格里斯特认为，美国很多地区的教育改革，都在尝试把班级变得小而精，这个改革方向是正确的。

今年的诺贝尔奖颁发给了三位奠定因果识别方法的学者，肯定了这种实证研究方法对于经济学本身的巨大意义。这些实证方法已经成为今天经济学研究的主流方法。很多人认为，从技术角度看，这些研究并不算太难。但是如何把它真正合理地运用，获得可靠的实证结果，从来不是一件容易的事。

而且卡德、安格里斯特与因本斯的研究，对传统新古典经济学的很多理论预测提出了挑战，揭示出很多市场内部的复杂性，这也是未来经济学理论进一步发展的可能方向。