有一天，在Google中搜索计量经济学前沿，没发现结果，却找到EJMR(经济学工作市场谣言)上的两个关于这一话题的讨论。EJMR是国外一个类似于水木社区的BBS，人员应该主要是国内外的经济类博士生、青年教师等。有些讨论还是有些意思，现摘录如下，以飨读者。
别开玩笑了。识别只是说明我们如何从数据中了解一些东西的方式而矣，lol。
对的，但可能不是前沿问题……但可能是“计量经济学中持续有趣的问题”。
网络、机器学习、识别。如果你相信Lewbel（Boston college计量教授），因果和结构模型的结合是前沿。
识别是计量经济学中少数引起其他领域关注的话题，特别是具有回归猴子倾向的人（回归猴子指使用Stata命令reg, ivregress, robust和vce的学术研究者）。这就是它为什么是热点的原因，在应用研究中有很多引用。
如果没有正确的识别，论文就是垃圾，这里没有什么奇怪的。
识别具有严格的统计定义，但在实际应用中，意思是“如果我能观测到整个总体，我实际上可以得到感兴趣参数的估计。” 统计定义也差不多，但包括由有限样本到大样本近似中出现的任何问题的解决。
所以，我们正在讲的是关于一致参数？
热点问题是不存在的。
计量经济学只是一堆误设的相关性。
是的，但是只知道reg y x, robust的白痴使用“识别”一词以显示他们好象知道他们在讲什么。
（这一条解释还挺靠谱）
如果你想估计的总体参数有因果解释，那么是的，这种情况下，点识别就是一致性。但是，一般情况下，识别比较微妙，你总体中的观测值和关注的参数之间的关系也包含了参数解释为因果效应的必要假设。
例如，线性投影的beta在任何有限方差的数据中都可以一致的估计——因此，特定的参数总是可以识别的。但是，如果你想要因果关系，那么得到总体beta的时候还要引入条件独立性假设（即某种形式的随机分配）。在那种情况下，如果没有CIA，你无法识别。尽管两种情况下，数据和估计过程都是相同的。
一旦你可以识别（估计）出感兴趣的总体参数，剩余的说明（比如一致性）实际上只需找到在技术上可以保证你进行有限样本推断的必要假设——99%的情况下，这一部分在某种意义上是愚蠢的，因为这些假设几乎总是存在，当考虑到经验结论的可信性时，这一部分通常是次要的，也是超级无聊的（除非你是一个计量经济学家）。但是，有些人必须作这些。
Lewbel关于“识别动物园”的论文对于识别形式化是很好的，但它太技术化了，不容易直觉理解。加上他集中于考察一系列奇怪的估计量，其识别思想从没有人用过或在现实中发现可信。Hansen(Bruce Hansen，不是诺奖得主Lars Hansen)的计量经济学讲义对于形式化的计量而言也是很不错的，但一般而言这种形式化只有在你有好的直觉的情况下才会更有用。
对于基本直觉，最好的当然要数《几乎无害》了，但是却超级过时了——经验方法进化速度真的超级快。他对双重差分、面板方法、断点回归和推断的处理超级差。但我也不知道有其他更好的资源能将所有这些有用的直觉整合在一起。
建立一个模型，将模型矩和和数据识别出的矩进行匹配。这是最前沿的。
因果关系是机器学习/统计学的下一个大热门。讽刺的是，计量经济学家已经研究识别/因果很长时间了。
时间序列死了。部分识别无用。结构计量会毁灭你的职业生涯。非参数计量经济学就那样。微观计量经济学被Angrist & Pishcke的追随者接管。网络计量经济学听起来很性感但没有数据。空间计量经济学只能在区域经济学期刊上发表文章。近年来机器学习显然很热，每个人都用pythonista（IOS上的python IDE），因为R被认为过时了。
结构计量经济学不是一个手榴弹。只是没有太多人研究她。我承认，回归猴子是不会理解这类文献的。
因为当前大数据是一个热门话题，变量数量（不只是观测值数）不断增加的推断问题，怎么样（是不是前沿）？作为了解，可以参考https://doi.org/10.1073/pnas.1810420116
如果你对微分几何感兴趣，贝叶斯估计中一个开放的问题：什么时候以及为什么Hamiltonian Monte Carlo会失败？参考https://arxiv.org/abs/1701.02434
最后，学习到一个新词，回归猴子(reg monkey)，指那些不懂原理，只会使用Stata跑回归的研究者。嗯嗯，我们要学习好计量原理，做一个懂原理的回归猴子。
噢不，懂计量的学者。
也许有人好奇前面提到的两个BBS，这里提供一下：
EJMR: https://www.econjobrumors.com
水木社区：https://www.newsmth.net
联系客服
