文/石洋

脑神经科学与心理学研究已经确认，人类具有追求确定性结果的天生倾向，不确定性是造成情绪波动的一个主要原因。人们凡事都喜欢搞清楚是什么原因造成的，为什么会出现那样的结果，这就是“因果关系”。近年来，因果关系研究在国内经济学界也得到了重视，大量论文采用这种方法，甚至有些滥用的迹象。这类方法尝试从复杂现象中抽丝剥茧，找到具有因果关系的变量，或者技术性地加入中间变量，进行量化分析和检验，具体包括随机实验、断点回归、工具变量、双重差分等计量方法。2021年诺贝尔经济学奖获奖者之一的乔舒亚·安格里斯特出版过两本专著，最近一本《精通计量：因果之道》已在国内出版。这本书属于介绍这类方法的较通俗读物。

经济学者利用自然实验数据进行研究的精神是值得提倡的。笔者也希望能够找到一种可靠的研究社会经济现象的方法，而基于世界是复杂和不确定的这个哲学层面的认识，对“因果关系”这类方法是否真正有效抱有较深的疑虑。各种社会经济现象存在较强的相互依赖性和对外部环境变化的敏感性，从逻辑上讲，无法找到主要变化要素之间存在的简单确定的关系。采用这类方法的学者试图把要研究的因素与其他干扰因素区分开，但实际却很难做到。例如，其中一个是讨论个人接受教育时间长是否能够带来收入增加。作者研究如果多上一年学，会对未来的收入产生多大影响，而实验对象是一些16岁辍学的孩子。根据出生季节不同，确实可以建立上学时间正好相差一年的两个实验组。这个实验的缺陷在于忽视了辍学之后，受试者受到的其他因素影响有可能超过了16岁之前接受的教育产生的影响。这类研究如果邀请环保专家参与，也许可以避免这类错误。换言之，在经济学家眼里的独立因素，实际上很可能并不是独立的。

大数据人工智能近年来发展很快，经济学界也开始学习使用这类方法研究现实世界的规律。但是深度学习算法也受到了一些诟病，人们可以让计算机通过这种算法“习得”人类的认知模式，但是却无法进一步解析这种模式内部的结构。尽管如此，采用深度学习算法的计算机确实在棋类游戏、语言识别和交流等方面战胜了人类，科学家甚至设计出了能够证明数学题的人工智能算法。然而人们无法解释在这些认知模式中，有哪些重要的因素，以及这些因素之间是如何相互作用的，即无法从因果关系维度做出解释。这可能就是经济学界普遍采用基于数理统计原理的计量分析方法的一个误区。实际上，每个人都会做出很多正确的判断和决策，但很少人是基于简单的因果关系逻辑进行分析的。人脑通过学习和尝试，逐渐形成了很多处理问题的模式，连自己都无法说清楚那些虽模糊但能达成正确结果的做法。大数据人工智能算法在处理了海量数据基础上形成的模式，应该比人脑形成的同类模式更精密。研究社会经济问题，网络分析方法要比传统的计量经济学方法更合理，而且能够更好地发挥大数据人工智能算法的优势，并借助大规模算力，得出一个虽然结构复杂到超出因果关系范畴，但是决策和预测效果更好的“可用”模型，似乎要比发表一篇数学解析式清晰优美，数据统计性显著，却牺牲了现实复杂性，难以用于社会实践的计量经济学论文更有意义。

经济学家可以了解一下计算机科学家Judea Pearl在因果关系研究中取得的突破性成果。机器学习算法实际是被用于分析对复杂现实现象产生重要影响的因素之间的相关性。因为大部分情况下，并不存在确定的因果关系。其实统计学家之间也有分歧，一百年前就有统计学家指出科学的世界里没有因果。因果只是我们在获取信息不足、计算和分析能力有限的情况下，采取的近似处理方法。对于较简单或不需要太高精确度结果的问题，这样做是有效的。现在我们有了突破信息、算力、分析障碍的新工具，不必再拘泥于用略显粗糙的数学分析法去解决纷繁大千世界的复杂问题了。