1702629280
1702629281
追求更好模型的计量经济学家
1702629282
1702629283
虽然上述那些人的尝试很多都以失败告终，但牛顿的研究方法在物理学领域之外仍然有少数成功的事例，经济学领域就是其中之一。
1702629284
1702629285
经济学家们根据牛顿的假设“一切物体在没有受到外力作用的时候，总保持匀速直线运动或静止”，推测出“所有的经济活动都是以物易物”以及“消费者会选择最大化期待效果的行动”等假设，并且根据这些假设对价格、支出、储蓄等条件之间的关联性通过联立方程式重复进行演绎，尝试对个人与社会的均衡状态进行解释和说明。
1702629286
1702629287
或许是出于这个原因，计量经济学家会经常利用回归分析的结果进行推论。对于流行病学家们来说，只要证明吸烟会提高罹患癌症的风险这个结果就可以了，但是计量经济学家们却要针对此进行“如果这个推测是正确的，那么全日本因此出现了多少损失”的演绎。在前文中我曾经提到过吸烟每年会给日本带来7兆亿日元以上的经济损失，这就是计量经济学家推论出来的结果。
1702629288
1702629289
比如我们得到了一个通过性别、年龄、是否吸烟等数据推测出癌症发病概率的模型，那么根据现在性别、年龄与吸烟率的数据，就能够演绎出由于现在吸烟导致将来癌症发病的人数。进一步根据癌症患者的医疗费等新数据，就可以演绎出“由于吸烟而产生的额外医疗费”这一经济上的损失。
1702629290
1702629291
不过，针对最终的经济损失数据，还必须满足“回归系数在考虑性别与年龄的基础上对其他群体也适用”和“癌症患者的医疗费今后不发生变化”这样的假设条件。
1702629292
1702629293
流行病学家和生物统计学家在利用归纳的方法导出一般规律的时候，会认为“因为没有进行随机对照试验，所以肯定会包含误差，换作其他群体的话或许无法与这个回归系数保持一致”，对涉及普遍性的部分保持比较谦虚的态度。甚至被某些计量经济学家们说成是“胆小鬼”。因此，他们“只在这次的调查对象”范围进行准确无误的因果推论，并且在加上“应用于其他对象群体时请注意”这样的说明后才提交结果。只要他们能够准确地推论出自己感兴趣的原因与结果的关系性，那么对于包括性别和年龄等其他变量的模型是否适用于日本民众就不那么关心了。
1702629294
1702629295
但是，对于计量经济学家们来说，无法作为演绎对象的模型对于经济学的进步来说没有任何意义，因此他们比其他统计学家们更加热衷于利用一切手段去寻找最合适的、最准确的模型。利用抽样调查对社会调查数据进行分析就是他们的方法之一。如果能够获得更好的模型，就能够降低在今后的演绎中出现错误结论的可能性。但是，不管模型有多么完美，他们仍然对类似神经元网络那样的联立方程式一样的表现形式没有任何兴趣。
1702629296
1702629297
另外，我在赫克曼的疗效模型和倾向指数之间也发现了“为了进行演绎的模型”与“为了对导致因果关系出现误差的原因进行调整的模型”这种思想上的区别。
1702629298
1702629299
使用倾向指数进行的分析与随机对照试验一样，属于“除了感兴趣的因素之外其他条件基本相同”的情况。将这样的倾向指数应用在回归模型之中，就能够准确分析多个解释变量对结果变量所造成的影响。哈佛大学的教授鲁宾等人在1994年发表的论文对此有巨大的影响。但是，赫克曼在20世纪70年代就已经提出了回归分析的方法，后人也不断对其进行细节方法上的改善。
1702629300
1702629301
但实际上，并不像有些刻薄的计量经济学家们所说的“统计学家与经济学家相比研究的级别要落后20年”。在流行病学家和生物统计学家看来，在倾向指数实现的分组分析中，能够像随机对照试验那样“平均情况下其他条件基本相同”的话，就足以用来进行因果推论了。但是，对于计量经济学家来说，“公平比较”本身并不是目的，只不过是为了得到更加准确的演绎模型的一种手段罢了。
1702629302
1702629303
影响力不断增强的计量经济学
1702629304
1702629305
几乎所有的统计学家都希望能够尽可能地减少假设。因为一旦假设错误，因果推论的结果出现错误的可能性就会非常大。
1702629306
1702629307
但是另一方面，如果假设在某种程度上是正确的，那么通过演绎就能够得到比数据更多的信息。况且，统计学本身也不是在没有任何假设的前提下就一定准确的东西。
1702629308
1702629309
不管是计量经济学还是统计学，最关键的都不是推论出来的结果，而是其背后隐藏着怎样的假设，以及假设有多少准确性。只要能够理解这两点，那么在推论过程中使用哪种方法，不过就是琐碎的小事。
1702629310
1702629311
这个在演绎与归纳或者说在理论与实证之间扮演着重要角色的计量经济学，实际上是在最近一段时间才在经济学中占有一席之地的。经济学领域最有影响力的约翰·梅纳德·凯恩斯将利用统计学手法的计量经济学称为“黑魔法一样奇怪的东西”，经济学中也将计量经济学褒贬不一地称为“没有理论的测量”。因为对经济学来说理论是非常重要的，由此可见计量经济学的特立独行。
1702629312
1702629313
正如统计学是“最强的学问”一样，计量经济学在数据整理和计算机的发展方面也发挥着举足轻重的作用。恐怕在今后的日子里，经济学的诸多理论都会被计量经济学证明，我们的社会也将会变得更加富强。
1702629314
1702629316
29 贝叶斯派与频率派之间的对立
1702629317
1702629318
1702629319
1702629320
在这一章中，我已经对统计学在社会调查、心理统计学、数据挖掘与计量经济学等各种各样的领域中的思考方法进行了介绍，最后让我们对“围绕概率本身的思考方法”出现的对立进行一下介绍。
1702629321
1702629322
这就是频率派与贝叶斯派之间的对立。如果将两者之间的区别用一句话来概括的话，那就是“是否在事前预测某种概率”。
1702629323
1702629324
为了理解两者之间的区别，让我们假设有两种硬币。一种是出现正面和出现背面的概率都是50%的“真正的硬币”，另一种是出现正面的概率是80%、出现背面的概率是20%的“老千硬币”。我们假设这两种硬币的外形和重量完全相同，然后各投掷一定的次数，对出现的结果进行统计和分析，判断究竟是哪一种硬币。
1702629325
1702629326
频率派的思考方式很简单
1702629327
1702629328
频率派就是基于费希尔那种思考方式的统计学家。如果投掷10次全都出现正面的话，那么这枚硬币究竟是真正的硬币还是“老千硬币”呢？频率派首先会假设“这枚硬币是真的”，然后根据这个假设计算投掷10次全部正面朝上的概率。“在正面朝上的概率达50%的条件下，偶然10次全部出现正面朝上的概率是2的10次方分之一，也就是只有0.10%。”这和前文中出现的那个妇人“猜对全部10杯奶茶的概率”是一样的，这个0.10%的概率也被称为p值。那么相比这个堪称奇迹的概率，否定“这枚硬币是真的”的假设才是比较理智的判断吧。
1702629329
[
上一页 ]
[ :1.70262928e+09 ]
[
下一页 ]