2021 年诺贝尔经济学奖分别授予劳动经济学和因果关系分析，三位经济学家的贡献对现实社会有哪些意义？ 第1页

老板在群里发了句(Donald) Rubin要哭了哈哈哈

David Card获诺贝尔经济学奖了！

十年前在伯克利读书时，曾经连着两学期听了David Card的劳动经济学课程，第一个学期听完还不过瘾，又听了一个学期。这是我在伯克利听到的最有用的课程，也是这辈子听到过的最清晰最实用的劳动经济学分析框架，为我之后的许多研究打下了基础。

Card最有名的一篇文章，所有做经济学经验研究的人应该都会读到——Minimum wages and employment: A case study of the fast food industry in New Jersey and Pennsylvania^[1]，首次用DID的方式研究了最低工资的效应，发现最低工资不一定会对低收入者不利，由此开启了“最低工资对低收入群体到底是好还是不好”这一大坑。

我七年前还写过这个问题的评论。

Card的另外一项贡献在移民问题上，移民对当地劳动力市场到底有没有影响？他首次用到了外生冲击来控制劳动力市场的内生变化，用马利尔难民事件研究了古巴人口对佛州的劳动力市场的影响^[2]，这个问题也打开了另一项大坑，Card和哈佛的另一位劳动经济学家Borjas的争论旷日持久，但最终Card还是胜出了，他的研究成为了美国许多当前的移民政策的理论依据。到现在，移民问题已经成为了世界问题，不仅美国经济学家，全世界的人们都在关注、研究，那么他们绝对绕不开Card的一系列研究。

我六年前也对这个问题写了一个评论。

所以，虽然是诺奖颁发的理由是奖励Card对劳动经济学的贡献，但他没有提到的是Card的另一项特点——对低收入群体和弱势群体的始终关切，这样的关切实际上体现在他的每一篇文章中。

在Berkeley听他讲课时，也常常能从他举的例子中体会到这一点，他让学生明白经济学不是一个数字游戏，它的研究对象是人，只有去真正关心这些人，你才知道你应该去研究什么。也正是有这样的关切，才能让学者做出第一流的研究来。

（找了半天没找到十年前的合影，拿十年前Card给我们发的讲义和我记的笔记蹭个热度吧……）

参考

1. ^ Card, David, and Alan B. Krueger. "Minimum wages and employment: A case study of the fast food industry in New Jersey and Pennsylvania." (1993).
2. ^ Card, David. "The impact of the Mariel boatlift on the Miami labor market." ILR Review 43.2 (1990): 245-257.

我不知道这事儿我要不要负责，因为我前两天刚在知乎提了一句:

原文已经被删除了，我根据我的评论回忆了一下，大概是这位朋友认为最低工资会减少就业在经济学界是最简单的常识。

而对我的这个评论，对方的回复好像是:请说汉语。我寻摸着这里一个是人名一个是缩写，咋说汉语？

总之可以看到大众对经济学研究的脱节。

我认为这不是老百姓的问题。很多年纪大点的老师也看不惯现在做计量的套路，他们会说:你前边至少得有一个模型吧。。。。

他们比较习惯首先通过一个数理模型推导出两个变量的关系，然后再来一个reduced form的计量。当然，他们并不知道这个叫reduced form。

他们通常认为没有数理模型的很low，即使这个模型纯属脱裤子放屁，且和后边的计量没有什么关系。

至于安神，我认为我比90%的人都懂他。他的书我一看就知道，这位是自己人！

翻了一下我的朋友圈:

所以我真的建议大家都读读这本书，起码可以看看经济学家是怎么玩科幻梗的。。。。

个人认为，Angrist和Imbens最大的贡献是在上世纪90年代末的一系列关于工具变量的文章（这在许多大V的回答中竟然没有提到。。。）。尽管经济学里使用工具变量已经有很久了，但是基本上都是在linear structural equation model的框架下做的，Angrist和Imbens的工作首次将IV引入了potential outcome的框架，提出了新的causal estimand（LATE），并且有非参数识别的结果，那条著名的“单调性假设”就是他们提出的。参见：

Angrist, Imbens, Rubin. (1996). Identification of causal effects using instrumental variables. JASA.

可以说，他们应该是最早在因果推断的领域里研究如何在存在未观测混杂的情况下，研究因果作用可识别性以及估计问题的那批人了。

Angrist对于做因果的人应该会陌生些，感觉他后来还是应用做的多一些（但是经济学的人很显然会更认识Angrist，当然是因为他的教科书MHE）。Imbens更为因果的人的熟知一些，在匹配，倾向性评分，异质性因果作用，面板数据中的因果推断里都做出了许多贡献。

但是我非常不理解的一点是为什么那么多人在提Imbens和Angrist的时候都提到了DID，反正提到DID我第一个想到的是Abadie，也不会往Imbens和Angrist想。

热烈祝贺Guido W. Imbens荣获诺贝尔经济学奖！

和Imbens的两点渊源：

1. 拜读过人家的大作；2. 曾经收到Imbens的审稿邀请（Imbens是Econometrica的主编）。

从Imbens获奖学到的：

1. 做重要的同时具有挑战的问题

所谓重要的问题是指或者具有科学上的意义或者是现实中大家都关心都困惑的问题。而有挑战则代表学者的水平。探究不同事物之间的因果关系就是这样一个既重要又非常困难的问题。这个问题自古有之，在几乎所有的学科都起到非常关键的作用。但这个问题又非常的困难。说明不同的事物具有相关性很容易但说明它们具有因果关系却非常难。

在学术初期为了现实的考虑，写一些短平快是无可厚非的，但好的学者应该不断提升自己的学术品味，不应老找软木头钻。

2. 做引领者而不是追随者。好的工作的标志是：在相关领域做相关问题的学者都得引用你的工作。这当然非常难但应以此为目标。

3. 找准自己的研究兴趣和方向并坚持下去。做研究一定要专且深。就某个特定领域不断地深入研究下去。这样可以建立自己的学术标签。老是转变研究的主题不利于一个学者的长期发展。

以上是个人的一些体会。与君共勉！

Reduced form携手欢庆！

今年的三位得主中，David Card使用DID方法对劳动经济学的几个基础性的重要问题作出巨大贡献，Angrist和Imbens则是把DID方法打下了坚实理论基础并让它成为实证经济学者必修的的基本工具之一，创造了成千上万个饭碗（不是）。

简单讲一下David Card的贡献。传统劳动经济学的重要话题里，一个是最低工资对失业的影响，另一个是移民对工资的影响。学过微观经济学的话，大家应该知道，理论上，在一个充分竞争、没有信息不对称的劳动力市场中，处于市场均衡的工资是效率最优的，人为地设定把最低工资设置在市场均衡之上，会使失业率上升，因为这样一来，愿意接受低于法律工资的人就会失去工作。

1992年，Card和他已去世的合作者Krueger最重要的论文之一发现，提升最低工资并不会减少工作。在这篇论文里，他们电话调查了新泽西和宾夕法尼亚州边界上的快餐店，使用双重差分方法，发现在新泽西州提升了最低工资之后，该州快餐业的工作并未减少。可能的解释包括：

• 一些大企业对员工有较高议价权，会把工资设得比劳动边际产量更低。因此，提升最低工资不会把边际员工挤出劳动市场。
• 一些小企业对劳动力的依赖并不灵活，不会因为工资提升一点就降低对劳动力的需求，labor-technology的substitution并不灵活。
• 部分企业可以通过提升产品价格来补偿劳动力成本的上升。
• 付更高工资会带来劳动力效率的上升：高工资激励雇员更努力工作，吸引更高效的雇员。

关于移民对工资的影响，传统理论认为，移民使得劳动力供给上升，自然会造成工资下降。Card利用1980年12万5千名古巴移民迁往迈阿密州的事件，对这一问题展开研究。这波古巴移民对迈阿密的劳动供给产生巨大影响：迈阿密州劳动力整体上升7%，而无高中学历低技能的劳动力上升了20%。而Card发现，即便冲击如此巨大，却也没有令低技能劳动力的工资下降得更多、或是让低技能劳动力更多地失业。Card认为，这是由于迈阿密州当地产业（制衣等）很善于吸纳低技能劳动力，并且由于当地的拉美裔移民本就很多，可以让古巴移民不用经历语言障碍就能进入当地劳动力市场。

（当然，移民和工资这个问题还是有争议：2015年，另一位大佬George Borjas重新分析了Card的数据集，发现高中退学生的工资比其他类型的劳动力下降得更多。不过这是另外一个story啦！）

当宣布今年的诺奖给予『没有预料到的实验结果』的时候，我就有预感了，莫非今年的诺奖要给Angrist和Imbens？宣布之后，果然不出所料，只是多了David Card。

这一次的诺奖是真的实至名归，心悦诚服。因为它并非是像大多数诺奖那样，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，深刻而显著的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，现在经济学家，尤其是做数据、做实证的经济学家，几乎没有人没有读过Angrist和Imbens的著作，没有人没有用过他们的方法。

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。但是在社会科学里面，做实验往往非常的不现实——像一个国家、观察数据的不可靠性，在经济学上被称为「内生性」，本质上就是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的结果，无法把里面的逻辑分开。

Angrist和Imbens的贡献，就是在于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。观察数据的不可靠性，在经济学上被称为「内生性」，本质上就是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的结果，无法把里面的逻辑分开。

Angrist和Imbens的贡献，就是在于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。一个省的医疗保健政策，如何做实验呢？发生了就是发生了，我们也不可能回到没有发生的状态再观察一遍；再比如劳动力的供给，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，如何才能知道劳动力供给和工资之间的关系呢？总不能学朱棣从山西大槐树那边强行移民来做实验吧？

这些宏观的、成千上万人参与其中的经济事件，都是没有办法做实验的。但是这些问题，恰恰又是和我们的生活、社会密切相关的问题，一个政策或者规制的效果、区域的劳动力供给……这些问题又需要能找到定量的方法，来进行评估、总结和测试。

怎么办？这就是Angrist和Imbens的功劳了。

他们开发了「拟自然实验」这个工具，很好的解决了这一问题。

比如说，如果我们要研究政府投资对地区经济增长的作用，直接的比大小是不行的。因为地区的经济增长往往会带来投资，而投资又会促进经济增长，我们不知道他们谁先谁后，因果混杂在一起，直接进行数据分析往往得到的参数就是不准确的。这个也称之为「内生性」。内生性是经济学研究的大敌，可以说整个计量经济学，很大一部分围绕着如何处理和减轻经济数据的内生性来进行的。

就像医学一样，医学也经常使用类似的方法，但是医学中做的是「真实验」。而在社会科学中，既然没有办法做真实验，那就要构建出仿佛是实验的对照组和控制组，这就是「拟自然实验」的意义。真实的世界我们观察到的，只有一种选择，而经济学家们要做的，就是通过技巧和工具，来构建出一个可信的「如果这件事情没有发生会怎么样」的样本，然后和真实世界的数据进行对比。

差中差（双重差分）

怎么办呢？上面的例子就需要找到一个「出乎意料的事件』来作为「拟自然实验」。比如说美国的国会里议员们经常会针对预算来进行竞争，这种竞争有胜有负，并且是纯粹政治性的，和当地的经济无关。那么这个时候就可以把两个相邻的地区拿来作为对比，其中一个幸运的地区获得了政府投资，而另外一个没有。两个地区其他条件都很相似，那么没有争到这笔钱的，那就是控制组，而议员比较给力的，那就是治疗组了。这个时候，我们就可以比较投资带来的作用了。

怎么做呢？

第一步，先把两个地区都没有获得投资时候的原始经济指标做一个减法，得到的结果就是地区固有的差异；

第二步，等到其中一个地区获得投资后，再把两者的经济指标做一个减法，得到的是新的地区差异；

第三步，把新的地区差异，减去第一步获得的地区固有差异，我们就得到了政策的效果。

图示就是这样的：

灰色线是没有投资的地区，蓝色线是投资的地区。中间的虚线就是蓝线获得投资的时间点。这个就可以明确的看到，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，所以称之为差中差（Difference-in-Difference）。

相当于国会议员们巴拉巴拉的辩论了半天，实质上帮助了经济学家做了一个实验——这也是「拟自然实验」得名的原因。

在David Card（1990）^[1]——哦，对了，这位也是今年的诺奖之一，劳动经济学的大拿。从方法论的贡献上，他和Angrist, Imbens有明显差距，但是在劳动经济学领域，也做出了很多开创性的贡献，尤其是他的文章里面，广泛的应用了刚才说的『差中差』方法。我下面举的例子就是其中之一：

移民人口对非移民人口工资的影响，这个内生性就很强——往往是高工资的地区，对移民的需求也更高，也愿意给移民更高的工资，这样直接分析的话，可能得到的是一个正相关：非移民的工资越高，移民的工资也越高。并且这个话题在美国也相当的敏感，本地人往往会认为移民抢了他们的工作，尤其是低技能的体力劳动者。

David Card就想到利用1980年5月到9月的古巴难民事件作为一次拟自然实验。当时在四个月之间，大量的古巴难民因为马列尔事件而涌进了迈阿密，让当地的劳动力供给增加了7%。

这就是一个天赐良机——马列尔事件是纯政治事件，迈阿密当地的劳动力市场完全不可能对此有任何的预判，而这些人恰恰还大多到了美国之后从事的也就是低技能的体力劳动。

那么这个外生的冲击产生了什么影响呢？

通过这次自然实验，David Card通过数据分析得出结论：即便是瞬间增加7%这么大的劳动力冲击，对当地的非移民的失业率和薪酬并没有任何显著影响。这一点就从根本上让削弱了对移民的敌视政策的合理性。并且David Card还分析说，因为迈阿密长期以来都有古巴移民的传统，这也是为什么它的短期劳动力市场如此有弹性的原因。

断点回归

Angrist和Imbens的贡献并不仅仅是差中差。在有一些情况下，如果连对照组也找不到怎么办呢？

他们还有办法，那就是「断点回归」。

比如我们想知道，奖学金对一个人未来职业发展的影响。这个如果直接比较也是有问题的——因为奖学金本身不是随便给的，而是给成绩好的人的。那么到底是奖学金在起作用，还是成绩好在起作用呢？

还有大家更加关注的，到底是学校造就了学生，还是学生造就了学校？同一个人上一本和上二本，有很大区别么？

这个也是无法做实验的，我们没办法把一个本来应该上一本的学生随机的分配到二本去，也没办法把不到一本分数线的人随机的提到一本来。无论是实验伦理还是实际情况什么都不允许。

这个时候怎么办呢？就要找确定性里面的随机性，通过这个随机性来构建一个「拟自然实验」。高考的随机性，就是在分数线上下的差距。比如说在一本分数线上下20分左右，我们可以认为这些人水平没有太本质的区别，只是因为偶然的发挥而去了不同的学校。

那么这就意味着，在分数线附近，从宏观的角度来看，有一只无形的手，随机的把一些学生分配到了一本和二本。这个拟自然实验构建好了之后，就又可以通过传统的回归分析来推断出因果了。对介绍的这个高考的例子感兴趣的，可以看Jia and Li (2021)^[2], 结论是有显著影响，并且这个影响还不是因为教学质量，而更可能是因为同学之间的社交网络等等所带来的。

我们生活中有很多很多的断点回归，比如说只有18岁以下才能享受到一次性教育补助等等，那么18岁多一点的，和18岁少一点的，就会因为这个优待而产生潜在的不同。这些政策的本意和实验没有关系，但是经济学家们就可以利用这些政策上的「标准线」，而构建出一个又一个的拟自然实验，来研究在表象之下，更深刻的经济学原理。

有了这些方法之后，极大的增加了经济学的实用性和研究范围。可以说，他们的贡献，甚至于超越了经济学这个学科，对社会科学的其他分支，比如政治、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，一写就收不住，我觉得甚至于可以写一本书的量都有。不过这本书他们已经写了，质量非常的高，那就是：

1. ^ Card, David. "The impact of the Mariel boatlift on the Miami labor market." ILR Review 43.2 (1990): 245-257.
2. ^ Jia, R., & Li, H. (2021). Just above the exam cutoff score: Elite college admission and wages in China. Journal of Public Economics, 196, 104371.

终于终于终于给我奶活了！！！哈哈哈哈哈哈哈哈哈

你对于 2019 年诺贝尔经济学奖的预测是什么？

你对于 2018 年诺贝尔经济学奖的预测是什么？