使用观测性数据回答因果问题

　　*本文为诺贝尔经济学奖评委会对2021年诺贝尔经济学奖得主戴维·卡德（David Card）、乔舒亚·安格里斯特（Joshua Angrist）和吉多·因本斯（Guido Imbens）学术贡献的总结报告， 感谢李一南博士提供的帮助。——编者注

　　绝大多数应用科学都致力于揭示因果关系。在许多领域，随机对照实验（RCT）被认为是实现这一目标的黄金准则。系统地使用随机对照实验研究因果关系，例如评估医疗效果，已经为社会带来了巨大的福利收益。然而，由于经济、伦理或实践方面的限制，有许多重要问题，尤其是社会科学领域的问题，人们无法使用随机对照实验加以研究。例如，学校停课对学生学习以及新冠病毒的传播会产生何种影响？低技能移民对当地劳动力市场的就业和工资水平有什么影响？制度会如何影响经济发展？实施最低工资政策对就业有何影响？在回答这些类型的问题时，研究人员只能仰赖观测性数据，即那些不是由随机对照实验生成的数据。但是在使用观测性数据时会出现一个基本的识别问题：我们并不清楚导致相关性的深层原因。如果我们观测到最低工资和失业之间存在相关性，这可以说明是因为最低工资导致了失业吗？还是因为失业和那些低收入者的工资增长过慢才导致了最低工资的引入？抑或是因为那些同时影响了失业和引入最低工资的其他因素？此外，在许多情况下，随机变动本身并不足以识别平均干预效应。