实证分析

实证分析 (Empirical Analysis)

实证分析（Empirical Analysis）是经济学和社会科学中基于观测数据或实验证据来检验理论假说、估计因果效应、预测经济现象的研究方法。与规范分析（Normative Analysis）关注"应该是什么"不同，实证分析回答的是"是什么"和"为什么"的问题。它是现代经济学从思辨哲学走向经验科学的关键方法论支柱，也是政策评估与商业决策不可或缺的量化工具。

实证分析的核心特征在于可证伪性：任何实证命题都必须能够被观测数据所反驳。这一思想源自卡尔·波普尔的科学哲学，并由弗里德曼（Milton Friedman）在其 1953 年的经典论文《实证经济学的方法论》中引入经济学，确立了预测效力而非假设现实性作为理论评判标准的传统。

实证分析与理论分析的关系

经济学研究通常遵循"理论—实证"的双轮驱动模式：

• 理论分析：通过数学模型（如博弈论、一般均衡模型）推导出可检验的假说。例如，最低工资理论预测：在竞争性劳动市场中，最低工资高于均衡工资将减少就业。
• 实证分析：利用观测或实验数据检验上述假说是否成立。例如，卡德（David Card）和克鲁格（Alan Krueger）1994 年关于新泽西州最低工资上调的自然实验研究，发现快餐业就业并未如理论预期般下降，这一发现深刻改变了劳动经济学对最低工资政策效果的理解。

理论为实证提供方向与待检验的因果链条，实证则为理论提供校准、修正乃至推翻的反馈。两者并非替代关系，而是迭代互补的知识生产方式。

实证研究的基本流程

一项规范的实证分析通常包含以下五个步骤：

1. 提出问题与识别变量：将研究关切转化为可量化的因变量（被解释变量）与自变量（解释变量）。例如"教育年限每增加一年，个人年收入增加多少？"中，收入为因变量，教育年限为核心自变量，还需控制能力偏误等混淆因素。
2. 数据获取与清洗：数据来源包括普查数据、面板调查（如 CFPS、PSID）、行政记录、公司财务报表或自行设计的实验数据。数据清洗涉及处理缺失值、识别异常值、变量标准化等，这一步骤通常占据实证研究总工作量的 60\% 以上。
3. 识别策略设计：这是实证分析最关键的环节。由于经济变量之间复杂的相互影响，相关性不等于因果性。识别策略的目标是从混杂的观测数据中分离出真实的因果效应。核心威胁包括遗漏变量偏误、反向因果和测量误差。
4. 估计与推断：运用计量经济学方法进行参数估计和统计推断。经典方法包括普通最小二乘法（OLS）、工具变量法（IV）、双重差分法（DID）、断点回归设计（RDD）等。近年来，机器学习方法（如LASSO回归、随机森林）也被越来越多地用于处理高维数据和异质性处理效应估计。
5. 稳健性检验与结果解读：通过替换变量定义、改变模型设定、使用不同子样本等方式检验结论的敏感度，并结合经济学理论对估计结果进行实质性阐释。

主要识别策略

现代实证经济学围绕因果推断发展出了一套层次分明的识别工具箱：

• 随机对照实验 (Randomized Controlled Trial, RCT)：通过随机分配处理组与对照组，在期望意义上消除所有混淆因素的影响，是因果推断的黄金标准。近年来，发展经济学中大规模田野实验的兴起（如迪弗洛等人的工作）使 RCT 成为政策评估的主流工具。
• 自然实验与准实验方法：当随机实验不可行时，研究者依赖外生冲击来模拟随机分配。双重差分法（DID）比较处理组和对照组在处理前后的结果变化差异；工具变量法（IV）利用与内生变量相关但不直接影响结果的外部变量来识别因果效应，如安格里斯特（Angrist）使用抽签征兵号作为服役经历的工具变量来估计兵役对收入的影响；断点回归设计（RDD）则利用临界值附近的局部随机性识别政策效果。
• 结构估计：与上述"简约式"方法不同，结构估计先构建一个完整的经济理论模型（包含效用函数、生产函数等），再通过数据估计模型的深层参数，用于反事实政策模拟。典型的应用领域包括产业组织和宏观经济学。

内部有效性与外部有效性

评估一项实证研究的质量需要考虑两个维度：

• 内部有效性（Internal Validity）：在研究的特定样本和情境中，因果效应的估计是否无偏和一致。这取决于识别策略是否成功处理了所有混淆因素。稳健的标准误（如聚类标准误）和安慰剂检验是增强内部有效性的常用工具。
• 外部有效性（External Validity）：研究结论能否推广到其他人群、时期或制度环境。RCT 通常具有高内部有效性，但实验室或特定区域的结果可能缺乏外部有效性。合成控制法和多站点复制研究是提升外部有效性的重要手段。

研究者需要在二者之间做出权衡，并明确报告研究的适用范围和局限性。

局限性与常见陷阱

实证分析并非价值中立的机械操作。在实际运用中需要警惕以下问题：

• p值操纵与发表偏倚：研究者可能有意或无意地反复调整模型设定直到获得统计显著的结果（p-hacking）。学术期刊倾向于发表显著结果，导致文献中效应量的系统性高估。
• 数据挖掘与过拟合：在缺乏先验理论指导的情况下对大量变量进行穷举搜索，得到的模型虽在样本内拟合良好，但预测外样本时表现极差。
• 内生性的顽固性：即使使用了工具变量等识别策略，工具变量的排他性假设本质上不可直接检验，这意味着实证结论始终承载着一定程度的理论信念。
• 理论与数据的脱节：盲目追求方法的技术复杂性而忽视经济机制的理论解读，可能导致"精确地估计错误参数"的尴尬。最优秀的实证研究往往是识别策略的精巧性与经济直觉的深刻性的结合。

在当代经济学中的地位

半个世纪以来，经济学经历了一场深刻的"可信性革命"（Credibility Revolution）。以安格里斯特、皮施克、卡德、迪弗洛等人为代表的新一代实证经济学家，将因果识别置于经济研究的中心，推动实证方法从相关分析走向因果推断。2021 年诺贝尔经济学奖授予卡德、安格里斯特和因本斯，正式认可了这场方法论革命对社会科学研究的深远影响。今天，实证分析已不仅是一种技术工具，更是一种以证据为基础的思考方式，它用数据说话、用事实检验直觉，使经济学始终保有其作为经验科学的品格。