因果推断研究获2021诺贝尔经济学奖｜附相关读书会、综述、科普、百科

导语

北京时间10月11日下午，2021年诺贝尔经济学奖揭晓，颁发给三位学者。其中Joshua D. Angrist和Guido W. Imbens因“对因果关系分析的方法学贡献”而获奖。附带集智俱乐部关于因果科学的研究报道、科普百科、读书会社区等。

北京时间2021 年 10 月 11 日 17 时许，2021 年诺贝尔经济学奖，授予了三位经济学家——David Card因为对“对劳动经济学的实证研究贡献”而获得一半奖金，Joshua D. Angrist和Guido W. Imbens因“对因果关系分析的方法学贡献”而分享了另一半奖金。

2021诺贝尔经济学奖得主

David Card，美国加州大学伯克利分校经济学教授。1956年生于加拿大圭尔夫，1983年于普林斯顿大学获得博士学位。他利用自然实验分析了最低工资、移民和教育对劳动力市场的影响。

Joshua D. Angrist，美国麻省理工学院Ford经济学教授。1960年9月18日生于美国俄亥俄州哥伦布市，1989年于普林斯顿大学获得博士学位。主要研究方向为劳动经济学、教育经济学，并以使用准实验研究设计（如工具变量）来研究公共政策的影响及经济、社会环境的变化而闻名。

Guido W. Imbens，美国斯坦福大学应用计量经济学和经济学教授。1963年9月3日生于荷兰埃因霍温。1991年于美国布朗大学获得博士学位。主要研究方向是使用匹配、工具变量和断点回归法，来开发从观察数据进行因果推断的方法。

诺奖背后的因果科学

为了确定因果效应，我们通常需要假设没有未测量的混杂因素（即可忽略性的假设），这在观察性研究中很难满足。在存在未观测混杂的情况下识别和估计因果作用一直是一个巨大的挑战。经济学家们长期以来在线性结构方程模型的框架下使用工具变量来处理“遗漏变量偏误”的问题[1]，但是线性结构方程模型隐含了较强的同质性因果效应的假设。Angrist和Imbens最为知名的工作是其在20世纪90年代将工具变量引入了潜在结果框架（Rubin因果模型）。他们认为，应当基于潜在结果而不是回归模型的系数来定义因果作用[2]。他们首次在潜在结果的框架中研究了使用工具变量识别和估计平均因果作用的问题[3,4]。当总体存在异质性时，他们提出了识别和估计局部因果作用的方法[3]。尽管工具变量来源于结构方程模型，但利用工具变量得到的因果作用估计在潜在结果模型下具有直观的解释[5]。

此后，Imbens和Angrist在因果推断领域亦有诸多贡献。Imbens提出了广义倾向评分的概念[6]，他的研究涉及匹配估计量、面板数据的因果推断、异质性因果作用以及断点回归等诸多因果推断的子领域。Imbens与Rubin合著的教科书《Causal inference in statistics, social, and biomedical sciences》是因果推断领域的绝佳的入门材料。Angrist的贡献则大多集中在应用计量经济学中，他的研究涉及教育经济学和学校改革、劳动经济学、用于政策评估的计量经济学方法。此外，他与Pischke合著的教科书《Mostly harmless econometrics》（中文译名：《基本无害的计量经济学》）被经济学领域的实证学者奉为圭臬。

事实上，因果分析不仅仅是经济学中极其重要的工具。过去 50 年最重要的统计思想是什么？反事实因果推断（Counterfactual causal inference）就位列首位[7]。计算机科学家 Judea Pearl 更是因为其因果关系研究于 2011 获得了计算机科学的最高奖——图灵奖，因果推断对人工智能的研究至关重要。哥伦比亚大学 Causal AI 实验室主任表示：“如果我们的目标是安全的，稳健的，与人类协作的，并与社会福祉保持一致的AI系统，那么将因果之梯和人类经验的本质维度建立连接是关键一步”[8]。

参考文献

[1] Goldberger. (1972), “Structural Equation Methods in Social Sciences,”Econometrica

[2] Angrist, Imbens. (1991). Sources of identifying information in evaluation models. NBER working paper.

[3] Imbens, Angrist. (1994). Identification and estimation of local average treatment effects. Econometrica.

Angrist, Imbens. (1995). Identification and estimation of local average treatment effects. NBER working paper.

[4] Angrist, Imbens. (1995). Two-stage least squares estimation of average causal effects in models with variable treatment intensity. JASA.

[5] Angrist, Imbens, Rubin. (1996). Identification of causal effects using instrumental variables. JASA.

[6] Imbens. (2000). The role of the propensity score in estimating dose-response functions. Biometrika.

[7] Gelman A, Vehtari A. What are the most important statistical ideas of the past 50 years?[J]. Journal of the American Statistical Association, 2021 (just-accepted): 1-29.

[8] Bareinboim E, Correa J D, Ibeling D, et al. On Pearl’s hierarchy and the foundations of causal inference[J]. ACM Special Volume in Honor of Judea Pearl (provisional title), 2020, 2(3): 4.

因果科学资料合集

集智俱乐部以因果科学为主题的三季读书会：

因果科学与 Causal AI 系列读书会第一季 | 众包出书

连接统计学、机器学习与自动推理的新兴交叉领域——因果科学读书会再起航

因果+X：解决多学科领域的因果问题 | 因果科学读书会第三季启动

集智俱乐部关于因果科学的学习路径与书籍推荐：

因果科学算法、框架、数据集汇总

构建因果引擎，创新科研范式——因果科学的学习路线图

因果科学入门读什么书？Y. Bengio博士候选人的研读路径推荐

因果之箭指向何方？| 图灵奖得主珀尔的《为什么》

集智俱乐部关于因果科学的综述、科普与论文解读：

因果推断：现代统计的思想飞跃

因果表征学习最新综述：连接因果科学和机器学习的桥梁

Nature计算科学综述：经由准实验，从观察数据中推测因果关系

因果观念新革命？万字长文，解读复杂系统背后的暗因果

图模型与因果推理基础- SCM框架和Do-Calculus

因果阶梯与Do-演算：怎样完美地证明吸烟致癌？

Science经典论文：如何检测复杂生态系统中的因果关系？

如何在观测数据下进行因果效应评估

作为因果科学家的神经系统：因果编码

长文综述：神经系统中的心智因果模型

周晓华：因果推断的数学基础和在医学中的应用

耿直：因果作用评价与因果网络学习及其结合

张江：从图网络到因果推断，复杂系统自动建模五部曲

崔鹏：稳定学习——挖掘因果推理和机器学习的共同基础

集智百科关于因果科学的词条：

什么是可忽略性Ignorability | 集智百科

什么是中介分析 | 集智百科

什么是反事实 | 集智百科

什么是Do演算 | 集智百科

因果社区与因果读书会

因果科学社区由智源社区、集智俱乐部共同推动，面向因果科学领域的垂直型学术讨论社区，目的是促进因果科学专业人士和兴趣爱好者们的学习、交流和合作，推进因果科学学术、产业生态的建设和落地，孕育新一代因果科学领域的学术专家和产业创新者。

因果科学读书会是因果社区组织的主要活动，持续开放中，参与任意一季读书会即可加入因果社区。因果科学读书会第三季已经开放报名，将于10月24日正式开始。本季因果科学读书会的核心书目即为W. Imbens的Causal Inference for Statistics, Social, and Biomedical Sciences。