在上一篇推文中，我们提到了，在利用观测数据分析变量之间的因果关系时，我们需要深入分析变量之间的相关性是真正的因果关系，还是由于共同原因或以共同结果为条件造成的相关性。通常，我们把共同原因（Common causes）变量称为混杂因素（Confounder），由此导致的相关性称为混杂偏差（Confounding bias）；把以共同结果为条件（Common effects）的相关性称为样本选择偏差（Sample selection bias）。这两种偏差统称为选择偏差（Selection bias）。
实证分析的关键就是如何消除这些选择偏差，破除“肉眼可见”的相关性迷雾，将真正的因果关系识别出来。在这篇推文中，我们将介绍随机化实验的方法，以及为什么随机化实验可以消除选择偏差；并且介绍在观测研究中模拟随机化实验的几种常见识别策略：Matching（匹配）、IV（工具变量）、RDD（断点回归）、DID（双重差分）等。
一
随机化实验
传统的因果推断思想中，从因到果是一个封闭的系统。人们往往采用“控制”的方法，将影响结果的所有其他因素控制住，仅让关心的变量变化，这样结果的变化就是关心的变量造成的影响。在经济学研究中，“其他变量保持不变”实际上就是控制方法，保持其他变量相同，关键变量变化造成的结果变化即因果影响。
随机化实验的思路有所不同，它只要求干预分配是随机化的，并不要求将所有其他影响因素控制住，“我们不必控制其他变量差异，现实中也没有办法完全控制所有的其他变量”（Fisher, 1935），只要保证干预分配的机制是随机的，就可以获得正确的因果效应。
这一思想的核心在于随机分配。因为我们关心的原因变量的取值是随机化的，从而使干预组和控制组两组个体的其他影响因素都是偶然性的，两组个体结果变量的比较，就是该原因变量对结果变量的影响。
沿用上篇推文中大学教育D对个人收入Y影响的例子，假设有一个理想的随机化实验，我们通过投硬币的方式来决定一群人中谁上大学，硬币正面接受大学教育，反面只完成高中教育，那么我们直接比较这两类人的收入就可以得到大学教育对个人收入的平均因果效应，即便能力、家庭背景等其他可能影响个人收入的因素仍然存在差异，但这种差异是随机性的，并不会影响估计结果。
所以，随机化的关键作用是可以平衡两组个体其他因素的分布，使得两组个体的各协变量（包括可观测变量和未观测变量）具有相同的分布。而随机化实验的作用就是使（除原因变量之外的）因素能够分布平衡，从而使得两组个体具有可比性。
在经典的随机化实验中，根据分配机制的设定不同，可以分为四类：
伯努利实验(Bernoulli Trials)、完全随机化实验(completely randomized experiments)、分层随机化实验(stratified randomized experiments)、配对随机化实验(paired randomized experiments)。这里小编就不展开详述，大家有兴趣可以参考Miriam Bruhn 和David McKenzie 2009年发表在AEJ: AE上的文章，以及2019年诺贝尔经济学奖获得者Duflo和Banerjee夫妇等学者的研究成果。
在随机化实验中，干预变量独立于潜在结果，从而消除了选择偏差，使干预组和控制组观测结果之差等于总体平均因果效应。因而，如果数据来自于随机化实验，那么因果效应的分析将非常简单。
但是，即便随机化实验是因果推断的“黄金标准”(Rubin, 2008; Angrist and Pischke, 2009: Imbens and Wooldridge, 2009)，它也有缺陷。在随机化实验中，参与个体是被动地随机化分配到干预组和控制组的，干预状态不是个体选择的结果。随机化实验得到的结果只能解释为总体的平均因果效应。而往往现实中一项干预或政策实施，是否受到干预往往是个人选择的结果，接受干预的个体并不是总体的随机样本，他们的平均因果效应并不一定是总体平均因果效应。仅仅利用随机化实验得到的结果，并不一定是现实中政策的因果效应(Heckman, 2001, 2010；Rucker et al., 2010)。同时，随机化实验本身当然也是非常“烧钱”的，毕竟不是每个经济学研究者都能在企业内部做实验(Liang, 2015)...
古人云：“取法乎上，仅得乎中”。学术研究也是如此，通俗讲，读一流期刊，做二流文章，读二流期刊，做三流文章！
基于设计的计量经济学是目前经济学实证研究的基本方法，尤其在微观经济学研究领域，包括劳动经济学、产业经济学、公共经济学、国际贸易等。然而，这些方法在一般传统计量经济学教材中没有深入探讨。
因此，我们特别邀请了经济学因果推断研究领域最具权威的专家、厦门大学经济学院和王亚南经济研究院经济学教授、博士生导师、《基本有用的计量经济学》作者赵西亮教授与大家一起分享经济学因果推断的理论、识别策略，Top5期刊论文复制及Stata软件实现方法。
1
专家简介
赵西亮教授，现任厦门大学经济学院和王亚南经济研究院经济学教授、博士生导师。
清华大学经济管理学院数量经济学专业博士，美国康奈尔大学和芝加哥大学访问学者，加拿大西安大略大学经济系博士后，长期从事中国经济和应用计量经济学研究，编著教材《基本有用的计量经济学》，被京东评为“十大构思细腻的大学教材”之一！
在《经济研究》、《经济学》（季刊）、《数量经济技术经济研究》、《World Economy》等国内外重要期刊发表论文十余篇。China Economic Review, 《经济研究》、《管理世界》、《经济学（季刊）》、《世界经济》等国内外重要期刊匿名审稿人。
2
课程内容
本课程将集中于因果推断，任何科学都是在揭示规律，寻找变量间的因果关系，从而回答“为什么”的问题。
本课程首先介绍Rubin因果模型，讲解如何“定义因果”；
然后介绍随机化实验，了解“为何随机化实验是因果推断的黄金标准”；
之后，我们将介绍因果图理论，为大家提供一种简单直观的理解经济学实证分析中遇到的两种主要偏差问题：混杂偏差和样本选择偏差；
最后，我们将介绍经济学实证分析中常用的模拟随机化实验的常用设计方法。
具体内容包括潜在结果框架、随机化实验、因果图，及观测研究中的设计方法（匹配、工具变量、双重差分和合成控制、断点回归设计）。
3
课程大纲
4
课程目的
培训课程将重点讲解基于设计的计量经济学，一切识别策略都是要模拟随机化实验，因而，如何通过研究设计模拟随机化实验，是识别因果效应的关键。学习完本课程，你将可以更轻松地读懂Top5（AER，JPE，QJE，RES，Econometrica）期刊上微观经济学实证研究学术论文，帮助你做更好的学术研究、发表更好的实证论文。
5
课程特色
计量经济学包含两个层面：因果推断和统计推断。传统计量经济学一般集中在统计推断方面，而利用函数假设（零条件期望假设和线性模型假设），将因果识别排除在外，从而使学生学完之后，仍然对经济学实证研究茫然无措。
本课程将集中于因果推断，用潜在结果框架描述因果推断问题，结合直观的因果图帮助你分析经济学实证问题。并且结合Stata软件，讲解各种因果识别策略的软件实现，保证你掌握基本原理的同时，还可以马上上手使用，并发表更好的核心期刊论文。
6
课程亮点
1、紧跟国际学术前沿
联系客服
