实证研究：勇敢打开“残差项”这个潘多拉之盒

文章作者：葛玉好

文章来源：E校挺好

在经济学实证研究中，特别是劳动经济学领域，经常碰到内生性问题。它是指“回归式的残差项与所关心的主要解释变量X高度相关，从而让研究者得不到X前面系数的一致估计量”。从目前情况来看，处理内生性问题的经典方法，例如工具变量法、面板数据的固定效应法、倍差法、断点回归法等，对残差项的处理基本都是一种“绕着走”的思路，没有直接去探究“残差项”这个黑盒里面到底包含什么内容。

是否打开“残差项”这个黑盒与研究定位有很大关系。如果我们的研究定位是“验证大佬们的理论”，死心塌地研究大佬所言及的X对Y的影响，那么打开“残差项”这个黑盒就没有必要，我们可以“绕着走”。但是，大佬们所言及的那个X，可能只是影响Y的一个小因素，可把它称之为“小苹果”。这样的研究定位，会让我们的实证研究陷入讨论“小苹果”对Y到底有没有影响的“坑”，很难跳出来去寻找影响Y的那些称得上是“大西瓜”的因素。

如果我们的研究定位是“最大程度地理解社会上的某种现象”，即寻找影响Y的所有重要因素时，我们就应该打开“残差项”这个黑盒。打开黑盒后，我们可能会发现大佬们所提出的那个X并不重要，很多围绕这个主题的研究也就没多大意义。另一方面，残差项里面有很多宝贝，不仅有“大西瓜”，还可能有我们根本没有想象到的更好的东西。所以，“残差项”这个黑盒就是潘多拉之盒，祸福并存。Heckman教授，从“认知能力”的研究转向“非认知能力”的研究，可能就是在打开这个潘多拉之盒。

有些研究者也会研究一些新的X对Y的影响，并且还使用解决内生性问题的经典方法得到因果关系。但此类做法，大多数情况下，都是在“赌”，或者只是在验证研究者自己头脑中的想法而已。我们打开”残差项“这个潘多拉之盒的过程，同样要遵循一些基本的科学规则，不是靠“赌”和“猜”。

这里，我们可能借鉴机器学习和深度学习的相关思路。

首先，要把数据集分为训练集和测试集；

其次，在训练集中训练模型；

最后，在测试集中测试模型。

计量经济学中的拟合优度，只是在训练集中讨论模型优劣，不涉及测试集，但聊胜于无，也可作为一个判断指标。如果某个我们没有注意的X，能够大幅提高拟合优度，那它就有可能是上面所提及的”大西瓜“。

知易行难。我们实证研究所使用的数据库，大多都是二手调查数据，变量个数已经固定，”大西瓜“根本不在数据之中。这类情况客观存在，所以我们更应关注基于现实情景大数据的研究，它们可能无法解决内生性，无法得到因果关系，但只要它们的拟合优度足够高，就有可取之处。分析这些研究所包含的那些不经常使用的X，有助于我们理解”残差项“里面的内容。

概而言之，本文想要表达的是：

（1）要敢于打开”残差项“这个潘多拉之盒，最起码要有这个意识；

（2）要包容那些高拟合优度的相关关系研究，不过度苛求因果关系；

（3）要重视真实情景大数据的作用，减少对二手调查数据的依赖。

本文转载自微信公众号“量化研究方法”。

转自：“刘西川阅读写作课”微信公众号

如有侵权，请联系本站删除！