第一节　引言

在经济学研究中，我们非常关心经济变量之间的因果关系。尽管其他相关关系也很重要，但是在政策评价中，因果关系是更根本的。关于因果关系的讨论，可以有两个方向。一个是看到结果，寻找结果背后的原因，即考察“结果的原因”（cause of effect）。这种研究非常重要，往往是科学研究的起点。但寻找结果背后的原因，非常复杂。某一种结果产生的原因可能有很多，需要通过详细的调查、深入的分析才能找到。另一个是看“原因的结果”（effect of cause），主要关注某一干预对结果的影响。对于政策评价而言，往往仅关注某一项原因，考察这一原因变动时，结果会有怎样的变动。相对而言，这一方向更加简单，可操作性更强。事实上，两个方向的分析是密切相关的，搞清楚了“原因的结果”，才有利于考察“结果的原因”以及每一种原因在产生结果中的作用。因而，很多情况下，我们更关注“原因的结果”。比如，在微观经济学中，我们关心某些措施或干预对个体行为的影响，比如班级规模对儿童学习效果有什么影响？安全带是否可以增加乘客在车祸中的生还机会？教育对个人就业及未来收入有什么样的影响？助学金是否可以增加贫困大学生的升学率？对农民工进行职业培训是否可以增加他们的就业机会和收入水平？在宏观经济学中，我们关心大学生扩招是否增加了大学毕业生的就业难度？货币政策调控是否能够抑制通货膨胀？限购政策是否能够抑制房价的持续上涨？2008年的4万亿刺激方案是否促进了我国的经济发展和就业扩张？这些问题都是在探讨“原因的结果”，也是本书的主要研究对象。

一项干预[1]对结果变量产生的影响通常称为因果效应（causal effects）或干预效应（treatment effects）。[2]类似于在医学领域对病人的治疗，如果采用某一种新药或治疗措施，会对病人的康复有什么样的影响？在医学领域称为治疗效果（treatment effects），在经济学及其他社会科学中也经常遇到类似的问题，对这些问题的考察称为因果效应分析。下面看两个简单的例子，了解因果推断的困难。

例1.1（新药的治疗效果）假设现在想考察一项新药的治疗效果，通过调查获得了某医院的新药使用情况，见表1.1。

表1.1　Yule-Simpson悖论

从总样本看，共调查了80个病人，40个病人使用了新药，另外40个病人没有使用新药。使用了新药的病人归为干预组，没有使用新药的病人归为控制组。结果显示，干预组生还率为50%，控制组生还率为40%，干预组生还率更高。从总体样本上看，新药采用与生还率正相关，但这并不一定说明新药真的有治疗效果。表1.1的第2部分和第3部分分别按照性别列出男性和女性病人的结果。可以看出，对于男性而言，干预组生还率低于控制组；对于女性而言，也是干预组生还率低于控制组。从而出现，按照性别分层后，男性和女性群体中，均出现了新药使用与生还率的负相关关系。这种现象在统计学中称为Yule-Simpson悖论。

上面的例子来自Pearl（2009），是人为构造的，下面看一个真实的案例。

例1.2（美国加州大学伯克利分校研究生录取存在性别歧视吗？）1973秋季，美国加州大学伯克利分校研究生招生录取工作中，有12763名学生申请，男生8442人，女生4321人。最终录取5232人，其中男生录取3738人，女生录取494人，男生录取率为44%，女性录取率为35%。男生录取率高于女生，因而一些人认为伯克利分校研究生录取中存在性别歧视。真的存在性别歧视吗？Bicke et al.（1975）对此进行了研究，发现尽管总体上，男生录取率高，但如果按照专业划分之后，几乎每个专业中均是女生的录取率更高。表1.2给出了两个专业的假想数据，[3]，总体上看，男生录取率为44%，高于女生的录取率38%，但是每个专业中，女生的录取率都更高。为什么总体而言，男生录取率更高呢？因为男女生的专业分布不同，男生大多数集中于申请录取率相对较高的（或是冷门）专业2，而女生却集中于相对录取率较低的专业1。

表1.2　伯克利分校的研究生录取率

上面两个例子告诉我们，简单的直观印象往往是错误的，真理的揭示是非常困难的，需要更加深入地分析，才有可能找出现象背后的真相。同时也说明，寻找真理的过程是非常吸引人的。