洪永淼等:计量经济学与实验经济学的若干新近发展及展望

 
作者:洪永淼  方颖  陈海强  范青亮  耿森  王云
 
内容提要:计量经济学与实验经济学是经济学实证分析的重要方法与工具。本文主要概括了近十年来计量经济学与实验经济学领域的主要进展,包括面板数据计量经济学、微观计量经济学、大数据计量经济学、金融计量经济学、宏观计量经济学、新类型实验数据、非均衡博弈论框架以及市场机制与政策设计等方向。我们建议重点发展计量经济学与实验经济学在中国社会经济政策评估与分析方面的方法与理论的创新及应用,推动政府决策的科学化。

关键词:计量经济学;实验经济学;政策评估;决策科学化
 
一、引言
经济研究的方法在于总结典型的经验特征与收集数据,并在此基础上建立相应的经济理论或经济模型。经济研究的科学性在很大程度上取决于经济理论或经济模型的可验证性,即能否通过数据实证检验相关的经济理论与经济模型来解释事实,并预测未来的经济变动趋势以及提供科学的政策建议。计量经济学和实验经济学则犹如硬币的双面,从不同的角度为经济学的实证分析提供重要的方法论基础。计量经济学以实际经济数据的建模与分析为主要研究对象。当实际数据不可得,或实际数据过于复杂而导致因果关系不易梳理时,实验经济学则有可能从另一个角度出发,通过可控的实验数据代替实际数据,成为实证经济分析的又一个有利工具。
 
计量经济学是由经济学、统计学、数学、计算机科学等学科交叉产生而又独立于其中任何一个学科。计量经济学产生于对经济理论的实证分析,经济系统的建模和国民经济投入产出法的计算等经济学问题,经过近一个多世纪的发展,已经成为了一个成熟而且被广泛运用的学科。计量经济学可以分为理论计量经济学和应用计量经济学。其中理论计量经济学主要关注计量经济模型的建立,包括针对不同数据类型、随机实验和不可控随机误差的分布形式、经济学模型和实际问题而进行的假设,从而对该模型进行参数、非参数等的估计、统计推断和预测,并给出其具体的理论性质,例如无偏性,渐进分布、统计有效性、预测误差等等。应用计量经济学则侧重于实际问题,其内容基本涵盖凡是有数据支持的经济学理论的各个分支,并用经济数据来对经济理论进行检验,或是对某些经济变量的因果关系进行量化研究,或是利用金融数据进行风险估计等实证研究。例如对环境经济学、教育经济学、金融经济学、国际贸易理论、经济增长理论等都可以通过数据进行实证分析,在计量经济学理论的指导下进行计算。计量经济学的理论研究和实证分析相辅相成,对现实生活中某种类型经济数据的实证分析往往成为发现理论研究新方向的动力,同时理论研究的成果也通过计量模型被广泛应用到各种实际问题中去。
 
计量经济学是现代经济学理论体系的一个核心组成部分,可以说如果没有计量经济学,经济学理论就像纯数学理论一样只有象牙塔式的研究价值而不能被数据所证实或者应用证伪。在过去的诺贝尔经济学奖获奖人当中,第一届诺贝尔经济学奖就授予了两位计量经济学研究的先驱弗利希(Ragnar Frisch, 1969)和丁伯根(Jan Tinbergen, 1969),表明了计量经济学在推动整个经济学研究科学化进程中的重要性。早期因从事计量经济学研究而荣膺诺贝尔经济学奖的还包括李昂惕夫(Wassily Leontief, 1973)、克莱因(Lawrence R. Klein, 1980)和哈维尔莫(Trygve Haavelmo, 1989)等。计量经济学的发展日益与经济学各分支学科的发展紧密结合,并反过来极大促进了经济学各分支学科的发展。诺贝尔经济学奖获得者麦克法登(Daniel L. McFadden, 2000)、赫克曼(James Heckman, 2000)、格兰杰(Clive W.J. Granger, 2003)、恩格尔(Robert F. Engle, 2003)与汉森(Lars Peter Hansen, 2013)都是因为提出新的计量方法促进了劳动经济学、产业经济学、宏观经济学、金融学等相关经济学分支学科的发展而获此殊荣。在现代经济学的教学与研究体系中,计量经济学已经成为与微观经济学、宏观经济学并列的三大学科,成为经济学各分支学科最核心的方法论基础。
 
实验经济学则是最近四十余年兴起的一门新的交叉学科,结合认知心理学、神经科学、社会学和人类学的相关研究方法,涵盖了决策论、经济学、金融学、博弈论、管理科学、市场营销或政治学等多个研究领域。实验经济学以模拟实体经济决策环境和验证理论模型为目的,通过仿真方法创造与实际经济相似的实验室环境,观察分析受到物质报酬激励的受试对象如何在一定规则下进行决策,从而研究人们行为决策。经济学家通过调整实验参数以及对不同参数下产生的实验数据进行整理、加工与分析来检验已有的经济理论及其前提假设,或者发现新的理论,或者为一些决策提供理论分析的基础。
 
实验经济学之所以产生和发展的一个重要原因是因为基于可控实验而得到的数据能够很好地避免数据的内生性问题(endogeneity)。众所周知,因果关系研究是自然科学研究和社会科学研究的一个核心内容。相对于现实环境下自然产生的经济决策实际数据而言,实验经济学数据是在事前已经尽可能控制了各种干扰混淆因素条件下产生的,从而数据相对比较整洁,有利于经济学研究人员发现并研究经济因素之间的因果关系。实验研究方法已经成为微观经济学、宏观经济学、公共经济学、金融经济学、劳动经济学、金融学、市场学、组织行为学、会计学和管理科学等领域的核心研究方法。这些领域国际最顶尖学术期刊都会定期发表一些运用实验技术完成的研究成果。目前已有卡纳曼(Daniel Kahneman, 2002)、史密斯(Vernon L. Smith, 2002)和罗斯(Alvin E. Roth, 2012)三位经济学家因其在实验经济学方面的贡献而荣膺诺贝尔经济学奖。
 
在下文中,我们首先对计量经济学与实验经济学在最近一二十年来的发展做一简单介绍。作为与实证研究和应用研究密切相关的学科,计量经济学与实验经济学的发展从来就受到两方面需求的推动,其一是理论发展与政策分析的需求,其二是数据特征与数据可得性的需求。之后,对国内计量经济学与实验经济学发展的现状做一简单评述,最后对一些亟需发展的计量经济学与实验经济学研究领域提出若干建议。
 
二、计量经济学的若干最新发展
 
(一)面板数据计量经济学
 
面板数据(panel data)是将截面数据和时间序列数据综合起来的一种新的数据类型。和单一的时间序列数据相比,面板数据能够提供不同个体在同一时点的横截面信息;和纯粹的截面数据相比,面板数据又能够提供同一个体在不同时间点的动态变化。因此,和传统的横截面模型与时间序列模型相比,面板数据模型在模型估计、假设检验和管理科学应用等方面具有明显的优势。国内外高质量面板数据的出现极大推动了面板数据计量经济学的发展,在宏观经济学和应用微观计量经济学等各个领域都有非常重要的应用。面板数据计量经济学的最新发展主要集中在三个部分,其一是非线性面板数据建模的发展,包括各类非参数半参数条件均值模型、条件分位数模型和离散数据模型等。函数系数模型(Cai et al., 2000; Cai et al., 2000)采取可加模型的形式,解释变量的系数可以是其他随机变量的函数(称之为光滑变量,smoothing variable),而光滑变量的选择由经济理论决定。函数系数模型不仅能够提供更好的数据模拟能力,而且在非参数模型中融入了经济学的解释,因而近年来有不少研究将函数系数模型结合到面板数据中。其二是非平稳面板数据模型的发展,包括面板数据单位根检验与协整分析,以及包含非平稳变量和未知时间趋势的估计与检验等;其三是包含横截面相关(cross-sectional dependence)的面板数据建模。面板数据通常包含两个维度,行为个体与时间维度。行为个体可以是微观层面的家庭、个人或企业,也可以是宏观层面的国家、产业或地区。传统的面板数据建模通常假设面板数据各行为主体之间是完全独立的(横截面独立假设,cross-sectional independence),这就完全排除了行为个体之间可能存在的相互影响,从而导致模型估计与检验的一系列问题。横截面相关性已成为面板数据领域最为活跃的科研方向之一。目前文献中处理横截面相关的方法主要有三种:其一是通过因子模型(factor model)描述横截面相关性,然后通过模型中可观测变量的横截面平均作为因子模型中不可观测的共同因子的代理变量,用以解决因共同因子不可观测性而带来的内生性问题(Pesaran, 2006; Pesaran & Tosetti, 2011等);其二是交互效应(interactive effect)模型,通过PCA的方法直接估计不可观测的共同因子(common factor)与因子系数(factor loading),通常使用的估计方法包括QMLE和最小二乘法(Bai, 2009, 2013等);其三是使用一系列距约束条件描述横截面弱相关性,不需要借助于常见的因子结构(Chen et al., 2012等)。最近几年,这一领域的发展主要集中在将横截面相关性与半参数或非参数模型相结合,研究模型的估计与检验方法,这也是目前最为活跃的研究领域之一。
 
(二)微观计量经济学与政策评估
 
因果分析与政策效应评估是经济分析最为关注的核心问题,其主要难点在于经济事件与经济政策的内生性问题,以及虚拟事实的不可观测性。社会经济系统作为一个有机的整体,各类因素各种事件往往存在复杂的相互联系。由于巨大的社会成本与经济成本,社会经济政策无法使用类似于自然科学中常用的模拟实验的方法。为了解决内生性问题,经济分析通常借助于所谓的“准实验”(quasi-experiment)机会,使用工具变量方法,以及在工具变量方法上发展起来的一系列估计政策处理效应(treatment effect)的方法。工具变量必须同时满足相关性与外生性的要求。所谓相关性,是指工具变量必须与内生的结构变量高度相关,否则便称之为弱工具变量(weak instruments)。所谓外生性,是指工具变量仅通过内生的结构变量影响回归模型中的被解释变量,而不存在其他独立的影响渠道。九十年代中期以来,计量经济学家发现当存在弱工具变量的情况下,无论是小样本还是大样本,常见的工具变量估计方法,包括两阶段最小二乘估计与有限信息最大似然估计都无法得到一致性的估计量。这一时期大量的研究主要集中在工具变量质量的检验,以及存在弱工具变量情况下不同的统计检验方法。最近十年中,计量经济学家更加关注工具变量的外生性问题,讨论在工具变量严格外生性条件无法满足的情况下对统计检验的影响。目前较有影响的做法是采用再抽样(resampling; Berkowitz et al., 2012)或贝叶斯的方法校正近似外生性的影响(Conley et al., 2012; Kraay, 2012)。随着大数据时代的来临,计量经济学家也开始关注在存在大量工具变量的情况下工具变量的选择问题。目前主要的做法分为两类,一类是在工具变量中加入稀疏性(sparcity)假设,采用LASSO等变量选择的方法在第一阶段选择有效的工具变量;另一类是不采取稀疏性假设,通过主成分分析或岭回归等降维的正则化(regularization)方法处理估计中的问题(Hansen et al., 2008; Okui, 2011; Carrasco, 2012; Hansen & Kozbur, 2014等)。
 
当工具变量仅是简单的二元变量时,工具变量法就和政策处理效应的一系列估计方法建立了联系,这部分是近几年来发展最为迅速的研究领域之一。倍差法(difference in difference, Card & Krueger, 1994; Bertrand et al., 2004; Athey & Imbens, 2006等)是最为常见的处理效应估计方法。当某一经济政策实施以后,尽管我们可以同时观察到处理组中政策前后的变化,但这个变化同时包含了具体政策的处理效应和不可观测的时间趋势的变化。如果假设时间趋势在处理组和对照组的变化是相同的,那么我们可以采取两次差分的方式,将共同的时间趋势剔除出去,从而得到平均处理效应的估计值。倍差法的主要优势在于计算简便,可以接受某种形式的选择性误差(selection on unobservables),但主要问题在于处理组和对照组之间必须保持相同时间趋势的假设有时不符合现实,且较难检验。也有研究者发展一些半参数的倍差法试图放松相同时间趋势的假设(Abadie, 2005)。匹配(matching, Rubin, 1973)是另一种较为常见的处理效应的估计方法。和倍差法不同,使用匹配法的一个重要假设是条件独立性(conditional independence或unconfoundedness condition),是指在控制各种变量以后,处理效应的结果不再受到是否接受处理(treatment)的影响。在条件变量较多的情况下,事实上无法做到严格匹配,倾向匹配得分(propensity score)是用来处理降低匹配维度的主要方法,一些非参数方法也被广泛用来完成处理组和对照组之间的匹配(Heckman et al., 1997, 1998; Hahn, 1998; Hahn et al., 2000; Imbens, 2000; Lechner, 2002; Abadie&Imbens, 2006等)。当是否接受处理效应的概率成为一个非连续函数时,断点回归(regression discontinuity design, RDD; Trochim, 1984; Lee & Card, 2008等)成为近年来非常热门的估计“准实验”政策处理效应的方法。当选择变量(selection variable)与是否接受处理效应的关系是确定时,经济学家通常使用精确断点回归(sharp RDD)。当选择变量与是否接受处理效应存在随机关系时,也就是是否接受处理效应的同时受到一些不可观测的选择变量影响时,经济学家使用所谓的模糊断点回归(fuzzy RDD),这是一个类似于两步法处理工具变量的估计方法。除平均处理效应(average treatment effect on treated, ATET)之外,也有越来越多的文献在讨论局部平均处理效应(local average treatment effect, LATE, Imbens & Angrist, 1994等)、边际处理效应(marginal treatment effect, MTE)和分位数处理效应(quantile treatment effect)等。这些政策评估方法被广泛地用于各种社会经济政策的评估,如最低工资效应、反歧视法、失业救济等。
 
(三)大数据(高维)计量经济学
 
在目前大数据时代,数据的可得性和多样性导致样本量无限增大,同时变量个数无限增多,从而对分析大数据特点的计量经济学方法有了新的要求。例如,现在流行的电子购物数据中,每个消费者在电脑前点击的次数以及内容体现了丰富的反映购物行为的信息。又例如,许多人口普查数据、政策评估调查数据等等都有非常多的变量数目。另外,变量数目即使有限,因为研究模型不一定是线性形式,许多方程变换、级数展开等等处理方式也使得变量维度增加。从文本、视频、音频中提取有用变量等等方式也成为高维度数据的重要来源。一方面,数据本身的可得性增加,另一方面,现代高性能计算机群(HPC)的计算性能和存储功能也使得处理这些大数据成为可能。21世纪是大数据的世纪,云计算、存储等争相从科技领域进入人们日常生活中。
 
高维度计量经济学就是研究经济变量数目非常大,有时候甚至大于样本量的情况。例如在资产定价的研究中,资产数目很大,有研究者(Fan et al., 2008)用因子模型去估计资产回报的相关性,其中资产回报的协方差矩阵的维度也随着样本量而增长,因此如何处理高维度数据在资产投资组合等领域是一个至关重要的问题。计量经济理论在处理高维度数据时,所面临的主要问题包括如何选择重要的变量以及如何对变量进行选择,以使得模型的预测性能更强,对模型的估计有更好的性质。在高维计量经济学建模中,一般假设真实模型只包括一部分有限的变量。高维度计量经济学包括了经典的线性和非线性非参数模型。
 
在很多实证研究中,一般假设模型是一个比较简单的线性形式,变量是根据经验或者共识来选择。而高维度计量经济学的方法是通过数据本身来探究其重要性,从而进行变量选择。在经典岭回归思想的启发下,一系列带惩罚项的估计方法被提出并广泛应用在基因学、统计学、经济学等各学科中。例如套索估计量(LASSO, Frank & Friedman, 1993; Tibshirani, 1996)的先驱性研究首先提出用一个惩罚项加在经典的最小二乘损失函数上,再用一个调节参数来控制惩罚的力度。套索估计量可以在变量选择的同时进行参数估计,并且在变量个数较大的情况下解决了传统模型选择方法例如信息准则等的不可计算的问题,减小了模型选择的不确定性。套索方法有很多良好的性质,其中一个就是可以用来处理变量个数超过样本量的情况,并且能够选择变量。在过去的二十年中,高维度方法有了长足的发展。继套索估计量之后,SCAD估计量、Dantzig估计量、弹性网(Elastic Net)估计量等相继发表在顶尖统计学和计量经济学期刊中。在经济学中,高维度计量经济学的一个重要应用就是处理多工具变量选择的情况。Belloni, Chemozhukov & Hansen(2012)提出了用改进的套索方法选择工具变量的方法并提供了理论依据。另外,Bai & Ng(2008)用主成分分析,Caner & Fan(2015)用可适性套索方法进行工具变量的估计和选择。
 
大数据计量经济学是一个方兴未艾的研究方向,统计学、计算机科学等其他学科的交叉发展也势必进一步推动大数据分析的发展。
 
(四)金融计量经济学
 
金融计量学主要是指对金融市场数据,包括金融市场各种交易变量(如价格、交易量、波动率等)进行相应统计分析和计量建模的学科。作为联接金融理论和实证证据的桥梁,金融计量学在现代金融学中处于一个非常重要的地位,它可以用于检验经济学假说和金融理论,解释金融现象,并对金融市场行为建模和预测。一方面,金融计量学的发展对现代金融和投资管理产生了深远的影响。另一方面,金融市场的进一步发展又对金融计量学的研究提出了新的挑战。
 
金融计量学最早关注的一个问题是如何检验金融市场的有效性,即金融市场价格是否可以被预测。关于这个问题,最早的文献甚至可以追溯到Working(1934)和Cowles(1933, 1944)。他们主要通过检验股票价格序列是否服从随机游走过程来检验市场的有效性。Fama(1970)对有效市场理论和实证研究进行了一个很好的综述,他认为市场的有效性假设有三类,即弱有效,半强有效和强有效,而对应的价格走势往往只是一个鞅过程。这样说来,检验市场的有效性就等价于检验一个时间序列是否为鞅过程。Hong(1999)提出了一个基于广义谱函数的检验方法,非常有效地解决了这个问题。该方法不但能够捕捉变量之间存在的线性关系,同时也能够甄别出数据中的非线性关系,因此可被推广并应用来检验经济和金融时间序列数据是否存在相关关系或者是否独立,从而为对这些数据进一步分析建模提供依据(Hong & Lee, 2005, 2006; Hong & McCloud, 2011; Hong & Chen, 2011)。
 
与金融市场有效性检验密切相关的一个研究领域是提出各种模型对金融时间数据进行预测,或者是对各种预测模型进行评价。这些预测模型大多基于各种经济学理论,包括行为经济学、实验经济学等。研究人员构造了不同的预测模型来对金融市场进行预测,例如Hong et al.(2007)研究了随机游走模型是否能够对外汇走势提供更好的样本外预测。Hong et al.(2010)也检验了多种时间序列模型在分析中国的短期利率走势的有效性。
 
在有效市场理论检验问题之外,资产定价以及与之密切相关的投资组合理论一直也是金融计量学关注的一个重要问题。自Markowitz(1952)提出了投资组合理论以来,许多资产定价模型相继被提出来,包括Sharpe(1964)针对股票市场提出的资产定价模型(Capital Asset Pricing Model,CAPM),Ross(1976)提出的套利定价模型(APT),以及Heath et al.(1992)提出的针对固定资产收益证券定价的HJM模型。将这些定价理论模型应用到实践需要对相关的模型参数进行准确估计,而金融计量学家在这个过程中发挥了重要作用。一个最重要的估计方法即由2013年诺贝尔经济学奖得主Hansen(1982)提出的,Hansen & Singleton(1982)则将此推广应用到资产定价模型的动态广义矩方法(Dynamic GMM)。金融计量学关注的另一个重大问题是对波动率的建模,其中一个重要的原因是波动率被广泛认为是风险测度指标之一,但如何对风险进行有效管理的一个前提是对其进行准确建模。最早的波动率模型包括Engle(1982)提出的ARCH模型以及Taylor(1982)提出的随机波动率模型(stochastic volatility model),Bollerslev(1986)进一步发展了GARCH模型。基于这些模型,一些重要问题相继得到研究,比如波动率溢出效应(Hong, 2001)、金融风险的传染(Hong et al., 2009)等。
随着金融市场的进一步发展,交易日趋复杂,一些新的问题随之出现并急需解决。比如说在高频数据的建模中,如何处理市场微观噪音及市场由于一些突发事件带来的跳跃现象是金融计量学关注的另一个重点,相关的文献包括Chan & Maheu(2002)和Ait-Sahalia & Jacod(2009)。而对金融市场中一些非线性和非对称的现象进行研究也成为一个重要研究方向。比如说在考虑非线性情况下,如何检验市场的有效性,如何对资产定价模型进行稳健、准确的估计等。此外,人们观察到金融数据普遍呈现厚尾现象,正态分布不再适用于刻画这些数据,在这种情况下,评价极端风险(extreme risk)不可以再用方差来度量。所以,当分布存在厚尾时,如何来度量风险(包括系统性风险)依然是金融计量学关注的重要问题之一。
 
(五)动态一般均衡模型的宏观计量经济学
 
传统实证宏观计量经济学用向量自回归等方法对总体经济变量例如总产出、总消费、总投资、失业率、通胀率等进行分析,其思想起源于凯恩斯经济学。而真实经济周期模型往往通过模型校准来描述实体经济,在量化研究方面其方法显得更为严格。动态一般均衡模型则是从宏观经济的微观基础出发,从消费者、生产者、中间厂商和政府部门等的动态最优化决策过程来推导一般均衡结果。用动态随机一般均衡模型可以增强模型的解释力和经济学含义,并使得过去宏观经济学和微观经济学的两分法问题得到解决。通过计量经济模型的估计和推断使我们对宏观变量的随机过程得以加深了解,并对模型本身的有效性进行评估。在过去的三十多年中,从宏观经济学的微观基础出发,研究利率、失业率等宏观变量成为实证宏观计量经济学的新范式。从政策制定者的角度来说,欧洲中央银行也正式使用动态一般均衡模型作为基础模型并把其预测结果作为指定货币政策的一个重要的参考指标。尽管在宏观经济学中,不少变量通过加总去掉了很多噪声,向量自回归等传统方法在预测性能上优于以微观基础起步的宏观计量模型,但微观结构模型方面的研究在逐渐放松假设、贴近实体经济方面也有了长足进步。目前以似然函数方法为基础的动态随机一般均衡模型在样本外预测上的表现可以和向量自回归等方法相比较。动态随机一般均衡模型从个人、厂商、政府、中央银行等分别最大化其全部时间段内的效用、利润及财政、货币政策目标(例如弥补产出缺口、保持产出增长率等),得到消费、产出、利率和通货膨胀率等变量需满足的最优化条件,再由市场一般均衡的条件推导出欧拉公式,用对数线性化的方法得到简化式和状态空间形式。动态随机一般均衡模型通过引入外部冲击来模拟现实经济中的经济周期和日常波动。外部冲击可以有多种形式,例如生产技术冲击、需求冲击、财政支出冲击、货币政策冲击、外贸冲击等,通过这些外部冲击得到模型的随机性。另外,通过引入工资、价格粘性、消费习惯形成和投资调整成本等假设,模型也更加接近现实经济。在模型的估计方面,动态一般均衡模型多采用贝叶斯方法进行估计,由前面一般均衡条件得到的公式加上测度方程,即引入经济系统中的随机冲击,得到似然函数。首先通过把均衡条件进行对数线性化,然后用蒙特卡洛马尔科夫链抽样方法估计模型参数。根据模型参数设定的不同,可能出现为一解、无解或多解的情况,研究者要对其进行分析或者约束。近年来动态随机一般均衡模型在计算和引入新的冲击、放宽模型假设(例如允许厂商和消费者的异质性)等方面有很多进展。进一步放宽模型的假设,减少模型校准和更好地估计高阶非线性模型从而最终提高模型的预测能力是该方法未来需要解决的问题。
 
三、实验经济学的若干最新发展
(一)新类型实验数据的收集和利用
 
传统实验经济学产生的数据主要是经济决策变量数据,例如决策者在个体决策问题中的选项选择,在市场决策问题中的价格选择、投资决策选择和努力水平选择,在博弈论决策问题中的策略行动选择等。近年来,越来越多的实验经济学家认识到收集一些新类型实验数据有助于更好地检验不同的经济学理论以及建立更接近描述决策者行为的新经济学理论。例如传统的经济学理论将决策者的决策过程当作一个黑箱子,只是简单地假设决策者具有特定的偏好和特定的信念并且采取最优的决策,而有意忽略决策的产生过程。最新的一些研究开始讨论决策偏好、决策信息、决策过程的形成,尤其是决策者如何思考决策问题的过程。打开决策过程这个黑箱子意味着我们将从更基本的层面来理解各种经济决策。一方面,研究决策过程所能依赖的数据类型增加了,包括决策思考时间、搜寻次序、眼球移动、生化多巴胺等新的生理学数据,从而使我们有必要通过实验经济学的方法产生这些新类型的数据来检验相关的经济学理论。另一方面,这些新类型数据和传统经济学决策数据结合在一起,有助于发现和建立新的经济学理论。例如,Gabaix et al.(2006)通过收集实验参与者的搜寻次序数据来检验有关决策者如何获取信息以及信息处理的有限理性模型;Caplin et al.(2011)则通过收集参与者在最终选择之前的所有临时选择数据来检验他们新提出的最优选择模型;Reutskaja et al.(2011)通过跟踪实验参与者的眼球移动数据来研究超市购物者的购物选择行为等。
 
(二)非均衡博弈论框架的建立和实验验证
 
策略性思考是博弈理论及其应用的基础。纳什均衡以及相关均衡的概念过去一直是描述策略性思考的核心内容,其定义为每个博弈参与者的策略都是在给定其他方策略下的最优反应。显然这种均衡的定义内在要求每个博弈参与者在决策信念上达到均衡,即每个参与者对其他方的策略持有正确的信念。在过去的研究中,经济学者通常假定均衡框架存在从而做出对参与者行为的预测。尽管在一些博弈场景下,基于均衡概念的行为预测是准确的,但在多数情况下实验经济学研究结果表明博弈参与者的行为会系统性地偏离基于均衡概念的行为预测。由于来自实验经济学数据对原有理论框架的挑战,经济学研究人员逐渐提出了基于非均衡概念的策略性思考理论框架并且运用实验经济学的方法收集数据来检验这些新理论。这些基于非均衡概念的策略性思考理论框架的核心在于继续假定博弈参与者在决策时仍然有策略性思考的因素在里面,但放弃了均衡的概念以及嵌入在均衡概念里面的很强的理性假设。目前这些在非均衡概念基础上的策略性思考理论框架中具有代表性的是“认知层级博弈理论”(Nagel, 1995; Stahl&Wilson, 1995; Camerer, 2004)。在认知层级博弈理论框架下,博弈论参与者被假定可能具有不同层级或者不同深度的策略性思考行为。一个毫无策略性思考的博弈论参与者被假定为没有注意到其他参与者行为的影响来进行决策。这种层级的策略性思考行为被称为第0层级决策者。进而第1层级决策者的行为表现是他们假定其对手为第0层级决策者进而做出最优反应。相应地,第2层级决策者是假定其对手为第1层级决策者进行最优决策反应,以此类推至更高层级决策者。与过去基于均衡概念的博弈论理论研究发展相比,有一个明显值得注意的特征是,这些在非均衡概念基础上的策略性思考理论框架的每一步发展都伴随着实验经济学对其相关理论的检验。换句话说,理论的进展和实验的检验是相辅相成、密不可分的。
 
(三)实验经济学研究在市场机制设计和政策设计方面的广泛应用
 
有效的公共政策和法规会给市场参与者提供正确的激励,并有助于建立社会规范来防范诸如腐败、市场失灵以及个体或者企业损害公共利益的行为。因此,政策制定者尤其需要了解个体行为和集体行为背后的动机和行为准则。近年来心理学的研究表明,分析公共政策和法规时用到的传统经济学模型存在理论假设上的弊端,这些模型的建立仅仅基于个人或集体利益最大化的偏好和行为准则之上。例如,研究表明在很多现实情境中,人们除了关注自己的所得,还会关心他人的所得和福利。另外,人们往往会采用互利互惠的行为准则。因此,当政府制定政策和法规时就需要考虑这些因素,比如限制商家向非专业的消费者推销过于复杂的产品(如结构性金融产品、住房销售合同,以及移动通信套餐等)。当政府为平衡社会各阶层收入而调整个人所得税率时,需要考虑纳税人对公平的偏好如何影响其对税务法规的遵循。
四、我国计量经济学与实验经济学的发展现状与建议
我国计量经济学的教育与研究在过去30多年中取得了长足的进步。从教学角度而言,国内各主要高校均已能够独立地开设从本科阶段的初级计量经济学到研究生阶段的中高级计量经济学的课程,计量经济学的教学与训练已经成为国内经济学教学体系的核心内容之一,并且日渐与国际接轨。从研究角度而言,计量经济模型与计量经济方法被越来越多地运用到经济学各分支学科的研究之中,并且极大地促进了各分支学科的研究水平。近几年来,国内高校经济学科加大了引进海外经济学人才的力度。这些年青的海归学者不仅推动了计量经济学的教学水平,而且在国内迅速形成一个从事计量经济学方法论研究的团队,而这一点在十年之前几乎还是一个空白。近几年内,国家自然科学基金管理学部分别设置了面板数据计量经济学与金融计量经济学两个重点课题。通过重点、重大课题以及各种其他资助项目的设立,对于引导与推动特定学科的发展,具有不可替代的重要作用。
 
作为相对年轻的经济学分支学科,我国实验经济学研究在最近几年发展迅速。国内的许多重点大学都相继建立了经济学实验室,其他尚未建立实验室的大学也在积极进行实验经济学研究。在人才招聘方面,国内不少大学都从海外招聘了实验经济学学者。特别值得一提的是,为了促进实验经济学在中国的发展以及加强中国实验经济学研究人员和国际同行的交流,厦门大学王亚南经济研究院从2010年到2014年已经连续五年举办了实验经济学国际会议。该研讨会每年都邀请实验经济学研究领域的若干名国际一流学者前来做主题演讲、指导,并且吸引了大量国内外实验经济学领域的专家学者参加会议。目前该年度会议已经成为国内最重要的实验经济学研讨会,有力地推动了国内实验经济学研究的发展以及国内外实验经济学研究的交流。
 
国内计量经济学和实验经济学发展的一个重要任务在于,如何通过重大或重点课题的设立,引导计量经济学和实验经济学方法论的研究满足国家重大需求,推动经济学科整体发展水平的提高。《中共中央关于全面深化改革若干重大问题的决定》提出“推进国家治理体系和治理能力现代化”的要求,是国家未来发展的重大需求。国家治理就是通过配置和运行国家权力,对国家和社会事务进行控制、管理和提供服务,确保国家安全,捍卫国家利益,维护人民权益,保持社会稳定,实现科学发展。有效国家治理的最重要的基础在于政策的制定、实施与评估。目前,我国正处在社会经济转型的关键时期,正努力实现经济增长方式的两个转变(从高速增长转为平稳增长,从规模扩张式发展转向质量效益型发展)与经济结构的优化调整。而要顺利实现这一转变与调整的目标,不但要明察国内外政治经济等形势的变化,把握其未来发展趋势,而且要对已实施的各项国家重要政策尤其经济政策予以正确的评估,以便发现问题、总结经验,及时调整经济政策,制定、实施新的政策与配套措施。因此,经济政策评估非常重要,是实现国家经济治理,乃至政治治理的必然要求与重要保证。但过去在这方面,无论是学术界,还是决策部门,都是对经济政策实施前景预测的多,对经济政策执行效果评估的少。换句话说,评估政策全过程中的有效性与利弊得失,从而制定与实施科学、高效的经济政策,对决策科学化与提高国家治理能力至关重要。计量经济学特别是微观计量经济学近几年来在政策评估方面取得较快的发展,同时由于大数据时代的来临,也面临更多的发展机遇与挑战。大数据背景下计量经济学理论与政策评估不仅符合学术发展的前沿,而且能够满足国家发展的重大需求。
 
和计量经济学方法相比,实验经济学则在政策设计与政策评估方面发挥重要的补充作用。在政策设计和实施中面临的一个重要问题在于,如果政策影响对象是有限理性的决策人或者具有各种决策行为偏差的决策人,我们该如何合理的进行政策设计来实现政策的目标或者帮助这些人改善决策质量。例如利用现实中人们的现状偏好设计养老金计划来提高他们的养老金储蓄,以及出台相应的政策法规帮助人们避免被商家误导从而做出更符合自己利益的个人金融决策等。而且,实验经济学在市场机制设计和政策设计方面的研究应用有助于经济学家承担起经济学工程师的角色。经济学者可以在实验室实验场景下或者在实地实验场景下比较检验不同政策设计的效果。由于这是在可控条件下实现的,我们可以在大规模实施政策改革或者政策干预之前进行科学评估,从而做好理论指导准备和政策实施准备。在过去二十年里实验经济学的相关研究在国际上曾经应用在设计无线频谱拍卖机制、设计政府采购招标拍卖、中小学教学以及择校改革,以及医药健康改革等方面。其中美国实验经济学家Alvin Roth因其在市场机制设计应用方面的突出贡献获得了2012年的诺贝尔经济学奖。我们有理由相信,实验经济学在中国的发展也势必为政府的科学决策和理性决策做出更大的贡献。
 
参考文献:
[1] Abadie A., 2005, “Semiparametric Difference-in-Difference Estimators,” Review of Economic Studies, 72(1): 1 -19.
[2] Abadie A. and Imbens G., 2006, “Large Sample Properties of Matching Estimators for Average Treatment Effects,” Econometrica, 74(1): 235 -267.
[3] Ait-Sahalia Y. and Jacod J., 2009, “Testing for Jumps in a Discretely Observed Process,” Annals of Statistics, 37(1): 184-222.
[4] Athey S. and Imbens G., 2006, “Identification and Inference in Nonlinear Difference-in-Differences Models,” Econometrica, 74(2): 431 -497.
[5] Bai J., 2009, “Panel Data Models with Interactive Fixed Effects,” Econometrica, 77(4): 1229 -1279.
[6] Bai J., 2013, “Fixed Effects Dynamic Panel Data Models, A Factor Analytical Method,” Econometrica, 81(1): 285 -314.
[7] Bai, J. and Ng, S., 2010, “Instrumental Variable Estimation in a Data Rich Environment,” Econometric Theory, 26(6): 1577 - 1606.
[8] Belloni A., Chen D., Chernozhukov V. and Hansen C., 2012, “Sparse Models and Methods for Optimal Instruments with an Application to Eminent Domain,” Econometrica, 80(6): 2369 - 2429.
[9] Berkowitz D., Caner M. and Fang Y., 2012, “The Validity of Instruments Revisited,” Journal of Econometrics, 166(1): 255-266.
[10] Bertrand M., Duflo E. and Mullainathan S., 2004, “How Much Should We Trust Difference-in-Difference Estimates?” Quarterly Journal of Economics, 119(1): 249-275.
[11] Black F. and Scholes M., 1973, “The Pricing of Options and Corporate Liabilities,” Journal of Political Economy, 81(3): 637-654.
[12] Bollerslev T., 1986, “Generalized Autoregressive Conditional Heteroskedasticity,” Journal of Econometrics, 31 (3): 307-327.
[13]Cai Z., Fan J., and Li R., 2000, “Efficient Estimation and Inference for Varying-coefficient Models,” Journal of the American Statistical Association, 95(451): 888-902.
[14] Cai Z., Fan J., and Yao Q., 2000, “Functional-coefficient Regression Models for Nonlinear Time Series,” Journal of the American Statistical Association, 95(451): 941-956. 
[15]Camerer, C., 2004, “A Cognitive Hierarchy Model of Games,” Quarterly Journal of Economics, 119(3): 861-898.
[16] Caner M. and Fan Q., 2015, “Hybrid Generalized Empirical Likelihood Estimators: Instrument Selection with Adaptive LASSO,” Journal of Econometrics, 187(1):256 -274.
[17] Caplin A., Dean M., and Martin D., 2011, “Search and Satisficing,” American Economic Review, 101(7): 2899-2922.
[18] Card D. and Krueger A., 1994, “Minimum Wages and Employment: A Case Study of the Fastfood Industry in New Jersey and Pennsylvania,” American Economic Review, 84(4): 772 - 784.
[19] Carrasco M., 2012, “A Regularization Approach to the Many Instruments Problem,” Journal of Econometrics, 170(2): 383 -398.
[21] Chen J., Gao J. and Li D., 2012, “Semiparametric Trending Panel Data Models with Cross-sectional Dependence,” Journal of Econometrics, 171(1): 71-85.
[22] Conley T., Hansen C. and Rossi P., 2012, “Plausibly Exogenous,” Review of Economics and Statistics, 94(1): 260 -272.
[23] Cowles A., 1933, “Can Stock Market Forecasters Forecast?” Econometrica, 1(3): 309-324.
[24] Cowles A., 1944, “Stock Market Forecasting,” Econometrica, 12(3/4): 206-214.
[25] Engle R., 1982, “Autoregressive Conditional Heteroscedasticity with Estimates of the Variance of United Kingdom Inflation,” Econometrica, 50(4): 987-1007.
[26] Fama E., 1970, “Efficient Capital Markets: A Review of Theory and Empirical Work,” Journal of Finance, 25(2): 383-417.
[27] Fan J., Fan Y. and Lv J., 2008, “High Dimension Covariance Matrix Estimation Using a Factor Model,” Journal of Econometrics, 147(1): 186 - 197.
[28] Fan J. and Li R., 2001, “Variable Selection via Nonconcave Penalized Likelihood and Its Oracle Properties,” Journal of the American Statistical Association, 96(456): 1348 - 1360.
[29] Frank I. and Friedman J., 1993, “A Statistical View of Some Chemometrics Regression Tools,” Technometrics, 35(35): 109 -135.
[30] Gabaix X., Laibson G., Moloche G., and Weinberg S. 2006, “Costly Information Acquisition: Experimental Analysis of a Boundedly Rational Model,” American Economic Review, 96(4): 1043-1068.
[31] Hahn J., 1998, “On the Role of the Propensity Score in Efficient Semiparametric Estimation of Average Treatment Effects,” Econometrica, 66(2): 315-331.
[32]Hahn J., Todd P. and Vanderklaauw W., 2000, “Identification and Estimation of Treatment Effects with a Regression-Discontinuity Design,” Econometrica, 69(1): 201- 209.
[33] Hansen L. 1982, “Large Sample Properties of Generalized Method of Moments Estimators,” Econometrica, 50 (4): 1029 - 1054.
[34] Hansen C., Hausman J. and Newey W., 2008, “Estimation with Many Instrumental Variables,” Journal of Business & Economic Statistics, 26(4): 398 -422.
[35] Hansen C. and Kozbur D., 2014, “Instrumental Variable Estimation with Many Instruments Using Regularized JIVE,” Journal of Econometrics, 182(2): 290- 308.
[36] Hansen L. and Singleton K., 1982, “Generalized Instrumental Variables Estimation of Nonlinear Rational Expectations Models,” Econometrica, 50 (5): 1269 - 1286.
[38] Heckman J., Ichimura H. and Todd P., 1997, “Matching as an Econometric Evaluation Estimator: Evidence from Evaluating a Job Training Program,” Review of Economic Studies, 64(2): 605 - 654.
[39] Heckman J., Ichimura H. and Todd P., 1998, “Matching as an Econometric Evaluation Estimator,” Review of Economic Studies, 65(2): 261 -294.
[40] Hong Y., 1999, “Hypothesis Testing in Time Series via the Empirical Characteristic Function: A Generalized Spectral Density Approach,” Journal of the American Statistical Association, 94(448): 1201-1220.
[41] Hong Y., 2001, “A Test for Volatility Spillover with Application to Exchange Rates,” Journal of Econometrics, 103(1-2): 183-224.
[42] Hong Y. and Lee Y., 2005, “Generalized Spectral Testing for Conditional Mean Models in Time Series with Conditional Heteroskedasticity of Unknown Form,” Review of Economic Studies, 72 (2005): 499-541.
[43] Hong Y. and Lee Y., 2006, “An Improved Generalized Spectral Test for Time Series Models with Conditional Heteroskedasticity of Unknown Form,” Econometric Theory, 23(1): 106-154.
[44] Hong Y., Li H. and Zhao F., 2007, “Can the Random Walk Model Be Beaten in Out-of-sample Density Forecasts: Evidence from Intraday Foreign Exchange Rates,” Journal of Econometrics, 141(2): 736-776.
[45] Hong Y., Liu Y. and Wang S., 2009, “Granger Causality in Risk and Detection of Extreme Risk Spillover between Financial Markets,” Journal of Econometrics, 150(2): 271-287.
[46] Hong Y., Lin H. and Wang S., 2010, “Modeling the dynamics of Chinese Spot Interest Rates,” Journal of Banking and Finance, 34(5): 1047-1061.
[47] Hong Y. and McCloud N., 2011, “Testing the Structure of Conditional Correlations in Multivariate GARCH Models: a Generalized Cross-spectrum Approach,” International Economic Review, 52(4): 991-1037.
[48] Hong Y. and Chen B., 2011, “Generalized Spectral Testing for Multivariate Continuous-time Models,” Journal of Econometrics,164 (2011): 268-293.
[49] Imbens G., 2000, “The Role of the Propensity Score in Estimating Dose-Response Functions,” Biometrica, 87(3): 706-710.
[50] Imbens G. and Angrist J., 1994, “Identification and Estimation of Local Average Treatment Effects,” Econometrica, 61(2): 467-476.
[51] Kraay A., 2012, “Instrumental Variables Regressions with Uncertain Exclusion Restrictions: A Bayesian Approach,” Journal of Applied Econometrics, 27(1): 108-128.
[52] Lechner M., 2002, “Program Heterogeneity and Propensity Score Matching: An Application to the Evaluation of Active Labor Market Policies,” Review of Economics and Statistics, 84(2): 205 - 220.
[53] Lee D. and Card D., 2008, “Regression Discontinuity Inference with Specification Errors,” Journal of Econometrics, 142(2): 655 - 674.
[54] Markowitz H, 1952, “Portfolio Selection,”  Journal of Finance7 (1): 77-91.
[55] Nagel R., 1995, “Unraveling in Guessing Games: An Experimental Study,” American Economic Review, 85(5): 1313-1326.
[56] Okui R., 2011, “Instrumental Variable Estimation in the Presence of Many Moment Conditions,”Journal of Econometrics, 165(1): 70- 86.
[57] Pesaran H., 2006, “Estimation and Inference in Large Heterogenous Panels with Multifactor Error Structure,” Econometrica, 74(4): 967- 1012.
[58] Pesaran H. and Tosetti E., 2011, “Large Panels with Common Factors and Spatial Correlation,” Journal of Econometrics, 161(2): 182 – 202.
[59] Reutskaja E., Nagel R., Camerer C., and Rangel A., 2011, “Search Dynamics in Consumer Choice under Time Pressure: An Eye-Tracking Study,” American Economic Review,101(2): 900-926.
[60] Ross S., 1976, “The Arbitrage Theory of Capital Asset Pricing,” Journal of Economic Theory, 13 (3): 341-360.
[61] Rubin D., 1973, “Matching to Remove Bias in Observational Studies,” Biometrics, 29(29): 159 - 183.
[62] Sharpe W., 1964, “Capital Asset Prices: A Theory of Market Equilibrium under Conditions of Risk,” Journal of Finance, 19(3): 425-442.
[63]Stahl D. and Wilson P., 1995, “On Players’ Models of Other Players: Theory and Experimental Evidence,” Game and Economic Behavior, 10 (1): 218-254.
[64]Tibshirani R., 1996, “Regression Shrinkage and Selection via LASSO,” Journal of the Royal Statistical Society Series B, 58(1): 267-288.
[65]Trochim, W., 1984, Research Design for Program Evaluation: The Regression-Discontinuity Design, Sage Publications: Beverly Hills, CA, USA.
 
The Recent Advances of Econometrics and Experimental Economics
 
HONG Yongmiao, FANG Ying, CHEN Haiqiang, FAN Qingliang, GENG Sen, WANG Yun
Xiamen University, Xiamen, 361005
 
AbstractEconometrics and experimental economics are important tools for empirical studies in economics. This paper provides a selective survey of recent advancement and development in econometrics and experimental economics, including panel data econometrics, microeconometrics, big data econometrics, financial econometrics, macroeconometrics, new types of experimental data, non-equilibrium game theory framework, and market mechanism and policy designs. We suggest to put priority on developing econometric methods and experimental techniques and their applications to social-economic policy evaluation and policy analysis in China.
Key Words: econometrics; experimental economics; program evaluation; scientification of decision-making
 
 
      该文发表在《中国经济问题》2016年第2期。
 
《中国经济问题》在厦门大学王亚南校长的推动下,经中宣部批准于 1959 年正式创刊,是我国解放后高校中新创的第一家经济学专业期刊,与《经济研究》并列为全国两大经济学期刊,有北《经》南《中》之说。她一直是全国经济理论工作者和中国经济现实问题研究的重要园地。除校内王亚南、邓子基、葛家澍、钱伯海、吴宣恭、胡培兆等名家在本刊发表了许多有重大影响的文章外,于光远、陶大镛、蒋学模、杨坚白、卫兴华、吴敬链等都曾是她的热情作者。50多年来发表过不少在国内有份量的论文,曾被香港镜报列为改革开放后经济理论方面最有影响的 20 家杂志之一。
 
在全球变革的新时代,《中国经济问题》秉承对中国问题的一贯重视,一方面努力推进中国经济研究的现代化和国际化,同时特别关注中国问题研究对一般性经济理论发展的现实意义。期刊的宗旨是提高中国经济学研究水平,目标是力争办成中国经济研究的代表性阵地。
 
《中国经济问题》为CSSCI来源期刊,也被多所高校列为权威或核心期刊。本刊欢迎采用现代经济研究方法来探讨重要中国经济问题的原创性稿件,尤其是针对中国转型期经济问题的高水平、独创性研究成果。发表范围包括针对经济、制度、历史等问题而进行的理论、实证和实验研究论文,特别鼓励理论与实证或实验相结合的研究。为保证本刊文章的学术质量,并推动国内经济学研究的规范化,本刊严格执行双向匿名审稿制度。期刊热忱欢迎国内外经济理论研究者和实际工作者踊跃赐稿。