一般而言，計量经济学家的统计功底不如统计学家，但是比他们多懂了些经济学。另一方面，計量经济学家的经济功底也不如经济学家，但却比他们多懂了些统计学。自大的说，計量是身兼两家之学（不可一世的模样）； 自卑来看，計量则是边缘专业（弱势族群的谦逊气质，不在话下）。所以我遇见统计学家时， 赶紧称自己是经济学家；在经济学家面前，也忙着标榜自己是学统计的。至于“計量是企业里搞财务会计”这类完全在状况外的评论，我内心颇有 “士可杀，不可辱”的反应，另加上高处不胜寒的落寞。

計量经济学本身就是用数据来检验经济论点合理性的工具。計量经济学应该知道统计学可以骗人（用以偏概全的数据说谎），也应该知道很多经济理论常禁不起数据的考验（滥芋经济学家惯于将简单事实复杂化）。以一个全球暖化的议题来说，历史数据的分析并不能充分支持暖化与二氧化碳排放量的关系。同时，要预测百年后的全球平均温度，真是谈何容易！可是，全球暖化似乎是被普遍认知的现象（媒体炒做吧？）。 重点是：用以偏概全的数据来支持全球暖化，一点也不难。另一方面，气象，地理等学者到底搞清楚了全球暖化没有？经济议题的实証計量分析也是到处充满了陷井。

陷井：相關性研究

• 相關係數

• 迴歸分析

假象的背後：先有变数间的相關性結果，才回头杜撰经济议题。

例如：20年前，办公桌上有无电脑的一个虚拟变量很可以解释工资的差异性。 於是，人力资本的投资，提高技能成了这个实証结果的解释。可是究竟是会操作电脑提高了工资，还是因为工资高（职位高了）才有使用电脑的机会？？内生性永远是計量模型摆脱不去的恶梦。

陷井：為了炫耀方法，勉強套上問題

計量方法是工具，不是用來發掘問題，从而发表论文的。先进的统计方法的采用也会有技术扩散的过程。Nelson and Plosser 的單根文章发表后，單根检验的計量方法蔚然成风。突然間，什麼數列都有了單根，垃圾论文一大堆。Engle的方差异质性问世后，几乎到处全有了ARCH 效果。另一种炫耀方法类似“我們都不是天才,所以。。。”的前提(%！#·！真是反对不是，不反对也不是）;“樣本時段愈長 ,參數恆常性愈不存在”的前题也同样的令人感到无力。所以，到處都有了马可夫開關(Markov Switch)。只要一套上结构性转变的模型，所谓转型经济，政策冲击的解释纷纷出籠。所谓前端的計量方法, 遭到漫无目的的滥用。拿着鞋子去找脚, 灰姑娘式的实証計量处处可见。

陷井: 数据挖掘(Data Mining)

不斷重覆使用同一数据，运用各种計量模型与方法,直到找出符合自己期望的实証結果為止。简单地说,也就是折磨資料,屈打成招! 後果屈打成招出来的模型全無預測能力。有些做实証分析的经济学家, 其作为比起前苏联的KGB特工,毫不逊色。搜寻合理的模型設定不可避免; 人人在做, 人人都在重覆使用同一数据进行数据挖掘, 实証計量的研究者应该怀有罪人的心态, 要明白数据挖掘的偏误可能会侵蚀实証结果的正确性。