实证经济学家为何需要数学？-ZOL问答

6个回答默认排序

默认排序

按时间排序

没找到满意答案？去问秘塔AI搜索

取消复制问题

看了不少关于实证经济学是否需要扎实数学基础的讨论，其中一种观点认为做实证不必补数学，对此我持明确反对态度。作为一名长期从事实证经济研究的学者，我深知数学能力并非锦上添花的装饰，而是支撑整个研究工作的底层骨架。
我的数学补习始于硕士入学前。本科阶段虽修读过微积分、线性代数、概率论与数理统计、常微分方程等课程，在一所以GPA宽松著称的国内顶尖高校中成绩尚可，但到大四准备赴美深造时，这些知识已几乎遗忘殆尽。于是，我用半年时间系统重学，精读蒋中一数理经济学的基本方法——这本经典教材语言平实、逻辑清晰，覆盖了微观、宏观与计量所需的全部基础工具，是极佳的入门与复盘材料。进入硕士第一年，我在完成本专业课程的同时，自学迪克西特经济理论中的最优化方法，该书在严谨性与应用性之间取得平衡，难度高于蒋中一，但仍属硕士可驾驭范围；与此同时，我还旁听了数学系面向本科生开设的实变函数、金融数学（含测度论与随机积分初步）及非线性最优化三门课程，为后续高阶训练打下坚实基础。第二年，我正式修读本系博士生必修的三高课程（高级微观、高级宏观、高级计量），全部获得A级成绩。
博士阶段的学习强度与深度进一步跃升。由于从一所排名前五十的院系转入北美以学术严苛闻名的前二十强项目，课程难度显著提高。第一年除重修三高外，还完整修习了一整年的数理经济学，内容涵盖实分析、泛函分析、测度论，并延伸至抽象代数的部分概念；第二年进入专业方向学习，在各类结构模型课程之外，我还选修了一学期非参数计量方法，并跨系旁听计算机科学系研究生级别的机器学习课程。这段持续数年的高强度数学训练，虽远不及理论经济学家那般精深，但在实证同行中已属较为全面和深入的积累。这一路径也得益于所在院校对量化素养的系统性重视。
那么，为何实证经济学者必须重视数学？根本在于：经济学不是统计学的分支，而是一门拥有自身逻辑范式与解释体系的独立学科。如加里·贝克尔所强调，经济分析的方法是一种独特的思维方式——以个体理性选择为起点，通过约束条件、激励机制与均衡结果构建对现实世界的理解框架。实证工作的核心使命，并非单纯寻找变量间的统计关联，而是检验某一具体经济逻辑是否能在经验数据中得到支持，并据此评估现实政策或推演反事实情景。即便不从事理论建模，研究者也必须能准确理解模型的假设前提、推导链条与边界条件，才能判断其是否适用于手头问题，进而合理设计识别策略、解读估计结果、诊断潜在偏差。
首先，模型理解是验证的前提。高质量的实证研究必须能对复杂现象提供清晰、自洽、有深度的解释。若缺乏必要的数学训练，连基本的效用最大化、动态规划、贝叶斯更新、均衡存在性证明等核心概念都难以把握，又如何读懂前沿文献中的结构设定？如何辨析工具变量外生性的理论依据？如何评估一个估计量在特定分布假设下的渐近性质？所谓看得懂，绝非仅指能跑出回归结果，而是能穿透公式表象，把握其背后的经济直觉与数学实质。
其次，实证方法论应坚持简约式与结构式并重。当前学术生态中，因发表压力与训练资源倾斜，结构模型训练严重弱化，导致大量研究止步于相关性识别，陷入黑箱式因果推断。简约式方法固然重要，但其解释力有限——它告诉我们发生了什么，却难以回答为什么发生在何种机制下发生若改变某项制度会怎样。而结构模型恰恰能将经济故事转化为可计算、可校准、可反事实模拟的数学语言，使政策评估具备微观基础与动态延展性。无论是劳动力供给响应、企业定价行为，还是教育回报的异质性分解，唯有结构方法能揭示深层作用路径，并支撑多维政策情景推演。
诚然，安格里斯特与皮施克基本无害的计量经济学极大推动了因果推断的普及，功不可没。但若将其方法论简化为找好工具变量+跑个2SLS，则可能削弱学科的思想厚度。近年来，安格里斯特本人正与微观理论学者合作，深入学校招生机制设计等前沿议题，将严谨的博弈建模与实地实验紧密结合——这正是数学素养赋能实证研究的典范。当实证工作日益逼近制度细节与行为复杂性，当机器学习与结构模型加速融合，对数学的理解力、转化力与创造力，已不再是可选项，而是决定研究能否真正抵达问题本质的关键能力。

取消评论