跳轉到

10.3 實證革命與計算方法#

本章導言#

1980 年代起，經濟學經歷一場靜悄悄的革命：實證研究的主導方法從「估計結構模型、檢定理論假設」轉向「以可信的識別策略回答具體因果問題」，而支撐這場革命的推土機是計算能力。統計軟體讓 Dickey–Fuller 臨界值（10.2 節）、bootstrap 與蒙地卡羅模擬成為日常；隨機對照實驗（RCT）與自然實驗方法讓「因果推論」取代「顯著性追逐」，2019、2021 年的諾貝爾經濟學獎（Banerjee–Duflo–Kremer；Card–Angrist–Imbens）正是這場革命的加冕。同時，計算經濟學作為一門學科成形：可計算一般均衡（CGE）、代理人基礎模型（ABM）、機器學習——理論與實證的邊界被計算重新劃定。本節回顧這場革命的三條戰線：識別、模擬與學習。

第一條戰線：從顯著性到識別#

10.1 節的 OLS 只在「解釋變數外生」時才有因果意義，但經濟資料中外生性是奢侈品。實證革命的核心武器是三套識別策略：

  1. 工具變數與自然實驗：找一個「像隨機分派」的變數。Angrist（1990）用越戰徵兵抽籤（抽中與否取決於出生日抽籤，近似隨機）估計服役對日後收入的影響——抽籤號碼與個人能力無關，卻影響服役，正是合格的工具變數。
  2. 差異中的差異（DID）：Card（1990）研究邁阿密 Mariel 移民潮：比較「受移民衝擊的邁阿密」與「未受衝擊的相似城市」在事件前後的工資變化，兩者之差消去了共同趨勢，剩餘即處理效應。
  3. 斷點迴歸（RDD）：若處理取決於某連續變數是否越過門檻（如獎學金取決於成績 80 分），門檻附近的比較近似實驗。此邏輯可上溯至 1960 年代 Thistlethwaite–Campbell。

潛在結果框架（Rubin, 1974）給這一切以共同語言：每人有兩個「潛在結果」 \(Y_i(1)\) 與 \(Y_i(0)\) ，因果效應 \(Y_i(1) - Y_i(0)\) ，但每人只能觀測其一——因果推論是缺失資料問題。RCT 隨機分派使兩組的缺失互補，因此 RCT 是黃金標準；觀察資料的一切技巧都在模仿隨機分派。

第二條戰線：模擬成為理論實驗室#

當模型太大、太非線性而無法解析求解，計算本身就是方法：

  • 蒙地卡羅方法：以重複抽樣估計難解的期望值與分布。10.2 節 Dickey–Fuller 臨界值即是模擬產物；一般均衡存在性的證明（5.2 節 Brouwer 不動點）在應用上常靠 Scarf（1973）的不動點計算演算法落地。
  • 可計算一般均衡（CGE）：把 5.1 節 Walras 體系寫成可校準的數值模型，用於貿易政策、租稅改革的衝擊模擬；Shoven–Whalley（1984）使它成為政策機構的標準配備。
  • 動態隨機一般均衡（DSGE）：Kydland–Prescott（1982）把 8.2 節的成長模型動態化、隨機化，用數值方法解 Bellman 方程，開啟「真實景氣循環」與現代總體模擬。
  • 代理人基礎模型（ABM）：反其道而行——不解均衡，而是模擬千百個異質代理人互動，觀察總體現象「湧現」。Schelling（1971）的分隔模型是原型：只要每人偏好「鄰居中同類不少於三分之一」，棋盤上就湧現徹底種族分隔——微觀的溫和偏好導致宏觀的極端隔離，這個反直覺結論只能靠計算看見。

例題#

例題 10.3.1：以蒙地卡羅估計 \(I = \int_0^1 e^{-x^2}\, dx\) 。取均勻隨機數 \(u_i \sim U[0,1]\) ，估計量 \(\hat I = \frac{1}{n}\sum_{i=1}^n e^{-u_i^2}\) 。手算 \(n = 5\) ：取 \(u = 0.1, 0.3, 0.5, 0.7, 0.9\) 。

解： \(e^{-0.01} = 0.9900\) 、 \(e^{-0.09} = 0.9139\) 、 \(e^{-0.25} = 0.7788\) 、 \(e^{-0.49} = 0.6126\) 、 \(e^{-0.81} = 0.4449\) 。平均

\[ \hat I = \frac{0.9900 + 0.9139 + 0.7788 + 0.6126 + 0.4449}{5} = \frac{3.7402}{5} = 0.7480. \]

真值 \(\int_0^1 e^{-x^2}dx \approx 0.7468\) ，誤差僅 0.0012。蒙地卡羅標準誤為 \(\frac{\sigma}{\sqrt n}\) （此處 \(\sigma \approx 0.17\) ， \(n = 5\) 時約 0.076），增大 \(n\) 至 \(10^6\) 可得誤差約 \(10^{-4}\) ——收斂速率 \(n^{-1/2}\) 與維度無關，正是高維經濟模型（上百個狀態變數的 DSGE）只能靠模擬的原因。

計算工具的世代交替#

實證與計算的合流，背後是工具的三次換代：1960 年代 Fortran 程式與主機批處理，使迴歸從手工計算機升級為標準軟體（TSP 最早、後有 SAS、RATS）；1980 年代個人電腦與 GAUSS、後來的 Stata、R，使 bootstrap 與模擬進入研究生書桌；2010 年代 Python 生態系與雲端運算使機器學習管線、網頁抓取資料、上百萬筆個體資料成為常態。每一次換代都改寫「誰能做什麼研究」：當 Dickey–Fuller 臨界值只須一行模擬指令，方法傳播的速度便由期刊轉為程式碼——可複製性（replication） 由此成為新的學術規範。

第三條戰線：機器學習與大資料#

2000 年代後，經濟資料從「年度總量」變成「逐筆交易、逐條軌跡」。機器學習（正則化迴歸、決策樹、神經網路）帶來新分工：預測交給 ML（LASSO、梯度提升在違約預測、需求預測上常勝過傳統計量），因果仍靠識別策略——Athey 與 Imbens 的「機器學習與因果推論」路線（如 causal forest、double/debiased ML）正在把兩者縫合。異質處理效應（誰受益最多）成為新戰場，這是 9.3 節機制設計與 RCT 的合流：先估誰受影響，再設計瞄準政策。

歷史啟示#

  • 識別是經濟學的核心難題：物理學能控溫控壓，經濟學只能找「大自然的隨機性」——抽籤、門檻、政策時點、氣象衝擊，都是天然實驗室。
  • 計算改變了「什麼是理論」：模型不必有封閉解，能模擬出可檢驗的型態即是理論；Schelling 的棋盤與 ABM 是「計算即理論」的宣言。
  • 因果革命改變了政策語言：政府與世銀、IMF 的政策報告如今要求「識別假設」的明示——數學的誠實標準被制度化。

前因後果與驅動關係#

由什麼驅動：實證革命的動機是雙重失望。一是 1970 年代大型計量模型在石油危機中的預測失靈（10.2 節），使 Lucas（1976）批判「用歷史相關做政策預測」——參數會隨政策改變，唯有結構參數與可信識別才可靠；二是發展經濟學與勞動經濟學面對「政策到底有沒有用」的實務追問，只有乾淨的因果證據能回答。計算革命的動機則直接：摩爾定律使 1980 年代需要巨型主機的模擬，2000 年代在筆電上完成，資料更以指數膨脹。

數學與計算成熟後如何反哺實務：

  • 政策評估制度化：RCT 已是發展政策、教育介入、公共衛生評估的常規程序；J-PAL 資料庫累積上千個實驗，直接改變補貼與疫苗政策。
  • 市場設計與模擬合流：9.3 節的拍賣設計在上線前以蒙地卡羅與實驗室實驗測試；FCC 頻譜拍賣的每個版本都先經模擬擂台。
  • 《機率統計》：本節方法（假設檢定、信賴區間、模擬抽樣）是該書推論方法的應用頂點；蒙地卡羅的收斂速率即大數法則與中央極限定理的計算化身。
  • 《金融的數學》第 5、7、10 章：選擇權定價的蒙地卡羅、風險值的歷史模擬與壓力測試、演算法交易與高頻資料，全是本節方法在金融的延伸。
  • 《管理的數學》第 2、7 章：需求預測的機器學習化、品質管制中控制圖對「統計顯著性」的即時應用。
  • 8.2、8.3 節：Solow 剩餘與景氣循環模型如今都以 DSGE 形式數值化，理論一章的方程式在本節成為可跑的程式。

練習#

  1. 例題 10.3.1 中再取 \(u = 0.2, 0.4, 0.6, 0.8, 0.0\) 計算第二組估計值，與第一組平均，誤差是否縮小？說明平均化兩組等於 \(n = 10\) 的蒙地卡羅。
  2. 某政策在 2015 年只於 A 省實施。A 省 2010–2020 年失業率由 6% 升至 5%，全國平均由 6% 升至 5.8%。用 DID 估計政策對失業率的效應，並寫出此估計的一個關鍵識別假設。
  3. 越戰抽籤研究：抽中（須服役）者日後平均年收入 32,000 元、未抽中者 34,000 元，且抽中機率與個人特徵獨立。寫出 IV 估計的直觀公式與此處的工具變數，說明為何 OLS（拿「是否服役」直接迴歸收入）可能有偏。
  4. Schelling 模型：8 鄰居中偏好同類至少 3 人。畫一個 3×3 小棋盤，舉一個「每人只需移動一格、最終卻完全分隔」的初始配置，並用幾步模擬展示分隔過程。
  5. 思考題：RCT 能回答「這個方案有沒有用」，但難以回答「為什麼有用、在哪裡還有用」。請論證：結構模型（如 DSGE、機制設計）與實驗證據如何互補？各舉一個「只有對方才能回答」的問題。

年表速查#

  • 1971：Schelling 分隔模型；Lucas 開始批判傳統政策評估。
  • 1973：Scarf 一般均衡不動點計算演算法。
  • 1974：Rubin 潛在結果框架。
  • 1982：Kydland–Prescott 真實景氣循環與數值方法。
  • 1990：Angrist 抽籤 IV；Card Mariel 移民 DID。
  • 1994 起：RCT 方法在發展經濟學制度化（Banerjee–Duflo–Kremer）。
  • 2000 年代：白靴法、因果森林、double ML 因果與機器學習合流。
  • 2019、2021：諾貝爾獎分別頒給 RCT 與自然實驗方法。

名詞速查表#

  • 識別策略：使估計量可作因果解釋的研究設計總稱。
  • 潛在結果： \(Y_i(1)\) 、 \(Y_i(0)\) ，因果推論的缺失資料觀點。
  • 差異中的差異（DID）：以處理組與對照組的前後差之差消去共同趨勢。
  • 斷點迴歸（RDD）：利用門檻規則附近近似隨機的比較。
  • 蒙地卡羅方法：以隨機抽樣估計積分、期望與分布的計算法。
  • CGE／DSGE：可計算／動態隨機一般均衡的數值模型。
  • 代理人基礎模型（ABM）：模擬異質個體互動、觀察總體湧現的方法。

深化問答三則#

問：Lucas 批判與實證革命是同一件事嗎？ 答：兩者方向相反。Lucas 批判（1976）說「歷史估計的約化參數會隨政策規則改變」，把人推向結構模型與校準（DSGE）；實證革命則說「結構模型依賴太多不可檢驗的假設」，把人推向可信識別與簡化式估計。今日的主流是把兩者縫合：用實驗或準實驗校準結構模型的外推參數，用結構模型回答實驗做不了的長期與一般均衡問題。

問：為什麼蒙地卡羅「與維度無關」如此重要？ 答：數值積分的確定法（格點法）誤差隨維度呈指數惡化：100 個狀態變數下任何格點都不可行。蒙地卡羅誤差 \(\frac{\sigma}{\sqrt{n}}\) 只看樣本數，使高維期望值（選擇權定價、DSGE 衝擊模擬、貝葉斯後驗）變成「多花計算時間即可解」的問題——這是 1970 年代以後總體與金融建模的關鍵解鎖。

問：機器學習會取代計量經濟學嗎？ 答：在預測任務上常會（梯度提升在違約與需求預測上屢勝迴歸），但因果問題不同：ML 的目標函數是預測誤差，不處理內生性與反事實。causal forest、double ML 等新方法的本質，是把 ML 當作「高維的討厭參數磨坊」，而識別策略（RCT、IV、DID）仍是地基。經濟學獨特的貢獻——對識別假設的明示——在 ML 時代反而更顯珍貴。

（本節完）