更改

==在统计学和经济学领域  In statistics and economics ==

==在统计学和经济学领域  In statistics and economics ==

在统计学和经济学中，因果关系通常通过[[回归分析来检验。有几种方法可以用来鉴别真实的因果关系和虚假的相关性。第一，经济学家根据经济理论（理论驱动的计量经济学）构建回归模型，从而确定因果关系的方向。例如，如果研究降雨与商品未来价格之间的依赖关系，那么广义上建构的理论表明，降雨可以影响价格，但未来价格不能改变降雨量。<ref>{{Cite book|last=Simon|first=Herbert|title=Models of Discovery|publisher=Springer|year=1977|location=Dordrecht|page=52}}</ref> . 第二，'''<font color = '#ff8000'>工具变量 instrumental variables(IV)</font>'''技术可以通过引入其他已知不受因变量的影响的工具变量来消除任何逆向因果关系。第三，在正向回归中只包含在时间上早于因变量的变量，就可以引用结果不能先于原因的原则。由于'''<font color='#ff8000>偏相关 partial correlations</font>'''是对称的，不能仅仅根据一方面的相关性来确定因果关系的方向。基于因果关系的'''<font color='#ff8000>概率观点 probabilistic view</font>'''，经济学家假设，在时间上原因必须先于其结果。这导致经济学家使用较早发生的现象作为自变量，并开发适用于时间序列分析的因果关系的计量经济学的检验方法（例如，[[格兰杰因果检验 Granger-causality tests]]）<ref>{{Cite book|last=Maziarz|first=Mariusz|title=The Philosophy of Causality in Economics: Causal Inferences and Policy Proposals|publisher=Routledge|year=2020|location=New York}}</ref>。第四，有些方法包括了其他回归因素以确保混淆变量不会导致回归项过于虚假地呈现这种现象十分重要。通过使用大规模样本和交叉验证来检查在回归中未使用的数据是否保持了相关，这样可以排除因巧合的相关性，而不是反映实际依赖内在过程的相关性。但在遭受[[多重共线性 multicollinearity]]问题困扰的领域，如宏观经济学，原则上不可能包括所有混淆因素，因此计量经济模型容易出现'''<font color = '#ff8000'>共因谬误 common-cause fallacy</font>'''<ref>{{Cite journal|last=Henschen|first=Tobias|date=2018|title=The in-principle inconclusiveness of causal evidence in macroeconomics|journal=European Journal for Philosophy of Science|volume=8|pages=709–733}}</ref>。近年来，以设计为基础的计量经济学活动已经推广至使用自然实验和准实验研究设计来解决[[虚假相关 spurious correlations]]的问题<ref>{{Cite book|last=Angrist Joshua & Pischke Jörn-Steffen|title=Mostly Harmless Econometrics: An Empiricist's Companion|publisher=Princeton University Press|year=2008|location=Princeton}}</ref>。

 

 

第一，经济学家根据经济理论（理论驱动的计量经济学）构建回归模型，从而确定因果关系的方向。例如，如果研究降雨与商品未来价格之间的依赖关系，那么广义上建构的理论表明，降雨可以影响价格，但未来价格不能改变降雨量。<ref>{{Cite book|last=Simon|first=Herbert|title=Models of Discovery|publisher=Springer|year=1977|location=Dordrecht|page=52}}</ref>  

 

第二，'''工具变量 instrumental variables(IV)'''技术可以通过引入其他已知不受因变量的影响的工具变量来消除任何逆向因果关系。

 

第三，在正向回归中只包含在时间上早于因变量的变量，就可以引用结果不能先于原因的原则。由于偏相关 partial correlations是对称的，不能仅仅根据一方面的相关性来确定因果关系的方向。基于因果关系的概率观点 probabilistic view，经济学家假设，在时间上原因必须先于其结果。这导致经济学家使用较早发生的现象作为自变量，并开发适用于时间序列分析的因果关系的计量经济学的检验方法（例如，[[格兰杰因果检验 Granger-causality tests]]）<ref>{{Cite book|last=Maziarz|first=Mariusz|title=The Philosophy of Causality in Economics: Causal Inferences and Policy Proposals|publisher=Routledge|year=2020|location=New York}}</ref>。

 

第四，有些方法包括了其他回归因素以确保混淆变量不会导致回归项过于虚假地呈现这种现象十分重要。通过使用大规模样本和交叉验证来检查在回归中未使用的数据是否保持了相关，这样可以排除因巧合的相关性，而不是反映实际依赖内在过程的相关性。但在遭受'''多重共线性 multicollinearity'''问题困扰的领域，如宏观经济学，原则上不可能包括所有混淆因素，因此计量经济模型容易出现'''<font color = '#ff8000'>共因谬误 common-cause fallacy</font>'''<ref>{{Cite journal|last=Henschen|first=Tobias|date=2018|title=The in-principle inconclusiveness of causal evidence in macroeconomics|journal=European Journal for Philosophy of Science|volume=8|pages=709–733}}</ref>。

 

近年来，以设计为基础的计量经济学活动已经推广至使用自然实验和准实验研究设计来解决'''虚假相关 spurious correlations'''的问题<ref>{{Cite book|last=Angrist Joshua & Pischke Jörn-Steffen|title=Mostly Harmless Econometrics: An Empiricist's Companion|publisher=Princeton University Press|year=2008|location=Princeton}}</ref>。

<br>

<br>