夸克之一 发表于 2011-10-29 09:04 
季刊上用OLS和2SLS的文章还是不少的。再说了,计量技术越复杂,越容易出问题,假设和限制都是同步的。而且 ...
对此深表赞同。
研究,永远是越简单越好。能够用方差分析解决的问题,为什么要用回归?能够用一元回归解决的问题,为什么要用多元?
变量越多,模型越复杂,出错的概率就越高,这是亘古不变的法则。
难道在计量的众多“花花肠子”没搞出来之前,以前的学者就无所适从了?
你看生物学研究,哪有计量这么多搞来搞去的方法?人家只要掌握了一般的多元统计,足矣!为什么?因为人家的实验设计,足以保证数据的可靠性,并控制其他变量,因此,简单的统计方法就能有效地发现因果关系。
计量为什么要强调方法?就是因为计量有先天性的缺陷:一是数据来源,很难得到有效数据,导致遗漏变量偏误和测量误差;二是无法保持“在其他条件不变的情况下,考察原因变量和结果变量之间的关系”,这是计量建模的先天不足,是无法从技术手段上解决的。而在实验室条件下,可以轻松地做到这点。从这点来说,计量只能是发现变量间的关联关系,无法确证因果关系。三是模型设定形式,你说线性就线性?两维还可以靠看散点图来判断,多维你怎么去判断?
说到底,计量就是因为数据问题、模型设定问题(包含很多不合常理的假定,如同方差假定,实际中是不可能的),使得其先天性就存在不足,因此需要在方法上来修补其缺陷,故其强调“方法”远胜过强调“原始数据”,而生物学统计则是强调“原始数据”远胜过强调“方法”。只要有可靠的数据,一般的方差分析也是很有力量的!故:高手不是在模型上绕来绕去,而是大巧若工,用尽量简单的方法来得到你无法辩驳的结果!QJE和AER上有很多这样的文章。
记得社会学研究学者谢宇的一本书,里面有一段话大意是指,如果你没有足够理想的数据,那么只有很强的理论假定,才有可能得到比较显著的结果。这就告诉我们,建模思想非常关键,变量间首先必须有经得起推敲的理论与逻辑关系,然后用数据才能验证。而我们很多的研究,往往思想性不足,而技术性有余。如果你的模型在理论上就经不起推敲,玩弄再多的计量技术又有什么用?那就真的是“Garbage in, Garbage out”了。