经济分析方法史

❗️通知 Announcement❗️

课程介绍

动机

一些观察到的现象：

• 要进入经济、金融行业，一般需要研究生学位，同时需要很长时间的实习。
• 但业界的经济分析（尤其是宏观）似乎很少用学界的高深数学，两者常常是不同的体系（否则也许也不用Ray Dalio来重塑“原则”）。
• 经济学有很多流派，即便在学术界，对于数学工具的运用，也有争议。
• 但当今绝大部分的本科、硕士、甚至博士毕业论文都是回归分析，极少见到学生在论文中系统运用学了两三年的微观、宏观经济学理论。
• 经常能看到随便找变量回归、或者明显成立的x和y之间的因果关系还去检验的现象（“来制星星的你”，低级谐音梗😜）
  • 2025年12月大牛教授们对此现象的批评：《不是没办法,是没出息! 陆铭痛批经济学界的集体无意识,四位学者为年轻人指出五条活路》。
  • 我认为这个现象是经济学近百年发展路径的必然，不能完全怪罪于年轻学者。但是，在这个大的背景下，学者仍然有部份选择的自由，可以做出有意义的研究。选课的同学在上完第一部分内容后，应当能了解我这样说的理由。
• 可能由于上述原因，有相当一部分人重理轻文，轻视社会科学，包括经济学、金融学。
• 经济金融分析开始用机器学习、深度学习模型（事实上，从诞生起，经济金融领域一直不断引入各类数理类模型工具）。

上述现象可能会让人产生一些困惑：

• 为什么需要学习这么长时间，但很多费力学会的模型、数理工具，在工作中用不上？（业界的一部份实践和学术理论紧密连接。我们会讨论）
• “流派”意味着有很多人认可，但为什么有这么多流派？对同一个问题，各个流派的观点常有很大不同，但诺奖可以同时颁给观点严重相左的不同流派，为什么？
• 为什么毕业论文几乎都是回归分析？花那么多时间学的微观、宏观经济学有什么用？
• 怎样做出有质量的研究，而不是“形式正确、实质空洞”的工作？
• 那些轻视有没有道理？该怎么看待这个学科？
• 该怎么理解经济学中的不同建模套路？怎么理解新技术所处的位置？

更为重要的是，上述所有困惑在AI时代进一步放大。

传统上被视为“护城河”的技术能力（数学、编程、文献积累）正在经历前所未有的冲击。回归模型可以自动生成，代码可以自动完成，文献综述可以自动整理。

如果工具本身不再稀缺，那么真正稀缺的是什么？

我认为，有一种能力很重要：判断力，或者说审美能力。

过去，这往往是高层统帅的专属——他们无需死磕技术细节，只需做关乎全局的“方向”抉择，由下属执行。今天，当 AI 成为每个人手边全能的“超级执行者”时，这种能跳出细节泥潭、俯瞰全局的“元能力”（Meta-skill）就成了每个普通人的刚需。

很巧合，这门课想做的事情，就是发展这种能力。

为什么要从“方法”谈起？

要实现这个目标，我的办法是全面回顾各类经济分析方法。

这种做法看起来很荒谬，因为在自然科学领域这样的笨功夫是完全不需要的。

评价物理学模型正确与否的标准，就是实验数据是否吻合模型的预测。没有人全面学习了从古至今的各类物理分析方法（比如研究亚里士多德的物理、托勒密的物理、牛顿的物理到底有什么不同）才开始研究物理。

现代人就从牛顿开始，把教科书上标准的物理模型和实验过几遍。学术界继续发展这些模型；业界的工程师用的物理模型和学术圈的物理模型是同一个东西同一套体系。修桥的工程师没有自己的一套不同于学术模型的“修桥物理学”。

但经济学界和业界存在很大的鸿沟。

什么原因？是业界的经济研究者们水平太低不懂高深的理论（有不少学术圈的人存在这种轻视）？这不可能。如果学术理论对于现象的解释和预测远胜于业界的理论，长期存在这样的差距是不可能的（有效市场假说在这里得到了新的应用）。反之亦然。

这种现象说明，在全面评估经济分析方法前，必须先回答一个更根本的问题：

我们怎样知道经济学的理论对还是不对？

是预测准就行，还是逻辑自洽就行？还是既要准又要逻辑自洽？还是有什么别的判断标准？统计显著性够了吗？

看到这里，敏锐的观察者会质疑：上面你说的所谓“明显成立的x和y之间的因果关系”的明显成立是什么意思？有什么判断标准？你说成立就成立吗？（我希望在这门课程结束后，所有学生都能有这种观察力）

这种质疑很合理，也很有力量。因此，只有先弄清楚这把尺子是什么，我们才能对各类经济分析方法做出有质量的评估。

这涉及到认识论、方法论的问题，也即“元方法”，Epistemology, Meta-methodology。这是前置内容。

整体框架

在结束上述讨论之后，我将按照几个层次来讨论：是否系统使用数学、检验方式、学术/业界。这几个部分不完全独立，有互相重合的地方。

整体课程框架是：

0. 认识论：怎样知道经济学的理论对还是不对？
1. 不用数学的经济分析方法
2. 利用数学的经济分析方法
3. 实证的经济分析方法
4. 业界的经济分析方法

这种划分主要按照经济分析方法本身发展的历史脉络，也同时考虑了经济问题方法论本身的差异。

我希望，通过这样全面的回顾，我们能构建一张更清晰的“方法地图”，为理解经济学的结构提供一种新的视角。

在 AI 时代，工具会越来越强大。 但工具无法替代坐标系。

和“经济思想史”的区别

此课程与经济思想史有显然的密切联系。区别如下：

• 本课程强调经济思想的分析方法，而不仅仅局限于某个时代某个地区某位大牛的某种看法。换句话说，我们想提炼方法内核（如有）。
• 本课程内容不按历史顺序划分，而按照方法差异划分。
• 本课程强调现实实用性。对经济分析方法划分不是纯粹出于对人类思想史的好奇，更多出于对现实经济分析方法差异的疑惑。本课程希望能给出具体现实问题的方法论选择帮助。

在 AI 时代，浏览式地了解“谁说了什么”并不困难——我们希望更进一步。

重要提示

据我目前的了解，类似以“方法演化”为主轴、并系统比较学术与业界分析方法的课程并不多见。因此，本课程具有一定探索性。

既然有方法划分，就意味着我认为某些方法在某些方面有局限——这可能会引起争议和不满。

本课程旨在提出问题，引发思考。由于这门课的性质，我们会有广泛的讨论、辩论，但不一定能获得满意的答案。

我希望这门课能帮助我们构建一张更清晰的“方法地图”，为理解经济学的结构提供一种新的视角。

知识储备

无需特殊的知识储备，但微观经济学、宏观经济学、计量经济学、统计学、逻辑学的知识会有帮助。

参考书目

我们会一起阅读大量书的章节和文献。大部分参考文献会随着课程的进行逐步展开。经济思想史类的书对于本课程都是有帮助的，例如：

• Landreth and Colander (2001), History of Economic Thought. 4th edition. South-Western College Pub.
• Robbins (2000), A History of Economic Thought: The LSE Lectures. Princeton Univ. Press.
• 汪丁丁 (2015), 经济学思想史进阶讲义. 上海人民出版社.
• Schumpeter (1996), History of Economic Analysis: With a New Introduction. Revised edition. Oxford University Press.

我喜欢的另外几本书：

• Kennedy (2008), A Guide to Econometrics. 6 edition. Wiley-Blackwell.
• 张五常 (2015), 经济解释. 中信出版社.
• Alchian and Allen (1974), University Economics. Prentice-Hall International.
  • 现代版本：Alchian and Allen (2018), Universal Economics. Liberty Fund.
• Horwitz (2020), Austrian Economics: An Introduction. Libertarianism.org Press.

考核方式

• 平时成绩（课堂讨论，小测验）70%
  • 我们会有广泛的课堂讨论。请确认愿意在课堂发言后再选课。
• 期末考试（闭卷）30%
  • 闭卷是为了确保这些思维工具真正属于你，而非属于你的AI。考试有30%–40%的客观题，以及60%–70%主观题。主观题会提供具体的场景问题描述，只需选择你认为最有力、最适用的工具进行剖析。

课程内容

Back to top