人物 · 贡献 · 年代 · 方法 · Ziyin Bin

计量经济学 百年谱系

把经济学变成一门能测量、能检验、能预测的科学,是一场跨越百年的接力。下方先按时代排人,末尾把他们造出的 tools 连成一棵进化树——并把 structural demand-and-competition 单独摊成一张 2×2。N’xx = 诺贝尔经济学奖年份。

192019501970 198520052020

一个世纪的工作,一条不断被重铸的回归线　·　每一点 = 一位学者 / 一件大工作

幕 1命名与奠基The Founders1920s – 1930s

一战后到大萧条(1929),工厂停摆、周期失控,人类亟需"测量并驯服经济"。

Ragnar Frisch1933 · N’69

1926 铸造 econometrics 一词;1930 创立 Econometric Society、1933 创办 Econometrica;dynamic models 与 impulse–propagation("rocking horse")周期论;FWL theorem。首届诺奖。

Jan Tinbergen1936 · N’69

物理学家出身,建成首批 macroeconometric models(荷兰 / 美国,1936–39);提出 the Tinbergen rule(targets vs instruments)。

J. M. Keynes1939

1939 著名书评质疑 Tinbergen 的统计方法:expectations 与 fundamental uncertainty 无法装进稳定方程——计量学的"成人礼"。

Working & Wright1927–28

更早点破 supply–demand identification 难题(E. J. Working, 1927),并给出 instrumental variables 雏形(P. Wright, 1928)。

幕 2概率革命The Probability Revolution1940s

二战;欧洲学者涌入美国,计算与统计需求井喷,方法论迎来奠基时刻。

Trygve Haavelmo1944 · N’89

1944 manifesto The Probability Approach in Econometrics,现代计量的"出生证";证明 simultaneous system 里 OLS 不一致(endogeneity)。

Tjalling Koopmans1947 · N’75*

把 identification 系统化:order / rank conditions、structural vs reduced form、FIML;1947 Measurement without Theory。*诺奖实表彰 linear programming。

Cowles Commission1932–

Alfred Cowles 创立的理论圣殿,聚集一屋子未来诺奖得主;口号 “Science Is Measurement.”

幕 3巨型机器The Big-Model Age1950s – 1960s

战后繁荣、凯恩斯主义盛世、电子计算机登场——相信能"驾驶整个经济"。

Lawrence Klein1950 · N’80

毕生造大模型:Klein Model I(1950)、Klein–Goldberger(1955)、the Wharton model、全球联网的 Project LINK。

幕 4帝国的裂缝Cracks in the Empire1970s

石油危机(1973)+ 滞胀;精心搭建的大型模型集体失灵,信仰崩塌。

Robert Lucas1976 · N’95

Lucas critique(卢卡斯批判,1976):政策一变,旧参数就漂移;主张抓 rational-expectations 下的 deep parameters → 催生 DSGE。

Christopher Sims1980 · N’11

Macroeconomics and Reality(1980):反对"incredible identifying restrictions",改用 VAR 让数据说话。

Clive Granger1974 · N’03

Granger causality(1969)、spurious regression 警报(1974)、cointegration;time-series econometrics 的奠基者。

Robert Engle1982 · N’03

ARCH(1982)刻画 volatility clustering,金融风险管理命根;cointegration(Engle–Granger, 1987)。

幕 5可信性革命The Credibility Revolution1980s – 2000s

廉价计算 + 海量微观数据;从"预测宏观"转向"老实追问一个因果"。

Edward Leamer1983

Let’s Take the Con Out of Econometrics(1983)——对脆弱 regression specification 的著名当头棒喝。

James Heckman1979 · N’00

sample selection / Heckman correction(1979);microeconometrics 与 program evaluation。

Daniel McFaddenN’00

discrete choice / logit 模型——刻画个体在多个选项间如何取舍的工作母机;structural demand 的基石。

Lars Peter Hansen1982 · N’13

GMM(generalized method of moments,1982);Hansen–Singleton consumption asset pricing。OLS / IV / 2SLS 皆其 special cases。

Card & Krueger1994 · N’21

natural experiment 典范:NJ–PA minimum-wage study(1994)挑战教科书铁律。Krueger 2019 离世,无缘诺奖。

Angrist & Imbens1994 · N’21

厘清 IV 到底估了什么——LATE(local average treatment effect,1994);把 quasi-experiments 铸成可信 causal 利器。

Berry · Levinsohn · Pakes1995

BLP:random-coefficients logit demand + Bertrand–Nash supply——differentiated-products demand-and-competition 的工作母机;Pakes 与 Bresnahan、Porter 共获 BBVA’17。

John Rust1987

dynamic discrete choice + NFXP(Optimal Replacement of GMC Bus Engines)——single-agent 动态结构估计的源头,一个 OM 味十足的 optimal-stopping 问题。

Bresnahan & Corts1982 · 1999

conduct parameter identification(Bresnahan ’82)、NEIO 奠基;Corts ’99 的 dynamic-bias 批评:static 法在 tacit collusion 下低估 market power。

幕 6大数据 × 因果Big Data × Causality2010s – 今

机器学习 + 海量数据;幕 2 那场"先理论还是先数据"之争借尸还魂。

Athey & Imbens · Wager2016–

causal forests(Wager–Athey ’18)、generalized random forests——用机器学习估异质 treatment effects。

V. Chernozhukov et al.2018

double / debiased ML(DML)——把高维 ML 嵌入估计而不污染 causal parameter;内核即 FWL 残差化。

DiD revival2018–

Goodman-Bacon、Callaway–Sant’Anna、de Chaisemartin 等:修补 staggered treatment 下经典 DiD 的隐患。

方法谱系

工具如何进化 · How the Toolkit Evolved

Regression → identification → GMM

OLSordinary least squares
→
IVinstrumental variables · endogeneity
→
2SLS · LIML · FIMLsimultaneous equations · Cowles
→
GMMHansen ’82 · the unifier
→
DMLChernozhukov et al. ’18

Probability / likelihood

Probability approachHaavelmo ’44
→
MLEmaximum likelihood
→
Logit · ProbitMcFadden · discrete choice

Time series

VARSims ’80
·
ARCH · GARCHEngle ’82
·
Cointegration · ECMGranger–Engle ’87

Design-based causal

Potential outcomesNeyman–Rubin
→
DiD · RDD · IV→LATE · selection correctionCard / Angrist / Imbens / Heckman
→
Staggered-DiD fixes · causal forests · DML2018– · Wager–Athey · Chernozhukov

Structural demand & competition — a 2×2 map

Static
Dynamic
Homogeneous products
Homog · StaticConduct parameter / NEIOBresnahan ’82 · Lau ’82
demand + supply relation;需 demand rotators 才能 identify market power;cartel detection — Porter ’83。
Homog · DynamicMarkov-perfect industry dynamicsEricson–Pakes ’95
entry / exit / investment;collusion dynamics — Green–Porter ’84;est. BBL ’07 · Aguirregabiria–Mira ’07。
Differentiated products
Diff · StaticBLP ’95 + Bertrand–Nashrandom-coefficients logit demand
Berry ’94 inversion;Nevo ’01;conduct testing & identification — Berry–Haile ’14。
Diff · DynamicDynamic demand & dynamic gamesdurables / storables · forward-looking
Hendel–Nevo ’06;Gowrisankaran–Rysman ’12;dynamic differentiated games — BBL ’07 · AM ’07。

①GMM 是总纲。OLS、IV、2SLS 都是它的 special cases——只是换一组 moment conditions。

②DML ≈ FWL + ML。double/debiased ML 的内核正是 Frisch 的 FWL "partialling-out",只是把残差化那一步换成机器学习——绕回了起点。

③两种世界观:design-based vs structural。前者只求干净 identify "一个" causal effect(胜在可信);后者估出 deep parameters 再做 counterfactual(能问"换个 policy / price 会怎样")。你做的 structural demand-and-competition 属后者。

④structural 的估计与跨界。共用工具链:MLE · GMM · MSM/SMM · NFXP · CCP · MPEC(多半仍是 GMM/MLE 的变体或求解技巧)。single-agent 祖宗是 Rust ’87,这套 dynamic discrete choice / dynamic games 在 OM、marketing、IO 里通用。

⑤ML 也进了结构式。neural nets / random forests 用来估 demand、近似 value functions、做 debiased moments;代表是 DML(Chernozhukov ’18)与 causal forests(Wager–Athey ’18)——两者在本卡 design-based 一支与幕 6 都已列出。

贯穿百年的一根线

每一代造出一件测量神兵→一场现实危机砸出裂缝→下一代在废墟上重铸。
从"能不能测量",到"如何严谨地测量",到"机器为什么会骗人",再到"如何老实地测一个因果"。

N’xx = 诺贝尔经济学奖年份　·　颜色由冷到暖 = 年代由早到晚　·　* Koopmans 诺奖系另一项工作(linear programming)