导语

 

北京时间10月11日下午，2021年诺贝尔经济学奖揭晓，颁发给三位学者。其中Joshua D. Angrist和Guido W. Imbens因“对因果关系分析的方法学贡献”而获奖。

 

 

北京时间2021 年 10 月 11 日 17 时许，2021 年诺贝尔经济学奖，授予了三位经济学家——David Card因为对“对劳动经济学的实证研究贡献”而获得一半奖金，Joshua D. Angrist和Guido W. Imbens因“对因果关系分析的方法学贡献”而分享了另一半奖金。

 

2021诺贝尔经济学奖得主

David Card，美国加州大学伯克利分校经济学教授。1956年生于加拿大圭尔夫，1983年于普林斯顿大学获得博士学位。他利用自然实验分析了最低工资、移民和教育对劳动力市场的影响。

Joshua D. Angrist，美国麻省理工学院Ford经济学教授。1960年9月18日生于美国俄亥俄州哥伦布市，1989年于普林斯顿大学获得博士学位。主要研究方向为劳动经济学、教育经济学，并以使用准实验研究设计（如工具变量）来研究公共政策的影响及经济、社会环境的变化而闻名。

Guido W. Imbens，美国斯坦福大学应用计量经济学和经济学教授。1963年9月3日生于荷兰埃因霍温。1991年于美国布朗大学获得博士学位。主要研究方向是使用匹配、工具变量和断点回归法，来开发从观察数据进行因果推断的方法。

 

诺奖背后的因果科学

 

为了确定因果效应，我们通常需要假设没有未测量的混杂因素（即可忽略性的假设），这在观察性研究中很难满足。在存在未观测混杂的情况下识别和估计因果作用一直是一个巨大的挑战。经济学家们长期以来在线性结构方程模型的框架下使用工具变量来处理“遗漏变量偏误”的问题[1]，但是线性结构方程模型隐含了较强的同质性因果效应的假设。Angrist和Imbens最为知名的工作是其在20世纪90年代将工具变量引入了潜在结果框架（Rubin因果模型）。他们认为，应当基于潜在结果而不是回归模型的系数来定义因果作用[2]。他们首次在潜在结果的框架中研究了使用工具变量识别和估计平均因果作用的问题[3,4]。当总体存在异质性时，他们提出了识别和估计局部因果作用的方法[3]。尽管工具变量来源于结构方程模型，但利用工具变量得到的因果作用估计在潜在结果模型下具有直观的解释[5]。

 

此后，Imbens和Angrist在因果推断领域亦有诸多贡献。Imbens提出了广义倾向评分的概念[6]，他的研究涉及匹配估计量、面板数据的因果推断、异质性因果作用以及断点回归等诸多因果推断的子领域。Imbens与Rubin合著的教科书《Causal inference in statistics, social, and biomedical sciences》是因果推断领域的绝佳的入门材料。Angrist的贡献则大多集中在应用计量经济学中，他的研究涉及教育经济学和学校改革、劳动经济学、用于政策评估的计量经济学方法。此外，他与Pischke合著的教科书《Mostly harmless econometrics》（中文译名：《基本无害的计量经济学》）被经济学领域的实证学者奉为圭臬。

 

事实上，因果分析不仅仅是经济学中极其重要的工具。过去 50 年最重要的统计思想是什么？反事实因果推断（Counterfactual causal inference）就位列首位[7]。计算机科学家 Judea Pearl 更是因为其因果关系研究于 2011 获得了计算机科学的最高奖——图灵奖，因果推断对人工智能的研究至关重要。哥伦比亚大学 Causal AI 实验室主任表示：“如果我们的目标是安全的，稳健的，与人类协作的，并与社会福祉保持一致的AI系统，那么将因果之梯和人类经验的本质维度建立连接是关键一步”[8]。

 

参考文献

 

[1] Goldberger. (1972), “Structural Equation Methods in Social Sciences,”Econometrica

 

[2] Angrist, Imbens. (1991). Sources of identifying information in evaluation models. NBER working paper.

 

[3] Imbens, Angrist. (1994). Identification and estimation of local average treatment effects. Econometrica.

 

Angrist, Imbens. (1995). Identification and estimation of local average treatment effects. NBER working paper.

 

[4] Angrist, Imbens. (1995). Two-stage least squares estimation of average causal effects in models with variable treatment intensity. JASA.

 

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

 

[6] Imbens. (2000). The role of the propensity score in estimating dose-response functions. Biometrika.

 

[7] Gelman A, Vehtari A. What are the most important statistical ideas of the past 50 years?[J]. Journal of the American Statistical Association, 2021 (just-accepted): 1-29.

 

[8] Bareinboim E, Correa J D, Ibeling D, et al. On Pearl’s hierarchy and the foundations of causal inference[J]. ACM Special Volume in Honor of Judea Pearl (provisional title), 2020, 2(3): 4.