社会科学研究的核心是因果关系对吗

而对发表论文的载体，也有明文规定，如一定要在“影响因子一区”的期刊上，在“核心期刊”上，在“一类期刊”上发表，否则发了也只是无用功。　　论文，是一个何等重要的筹码，左右着专业技术人员的“身价”，政策导向所发出的信号是那么明确而强烈。诚然，论文确实是检验学术水准的标志之一，国际上对专业人员也有相关的要求。问题是，在当下的中国，所谓“影响因子一区的期刊”、“一类期刊”以及“核心期刊”“来源期刊”之类是否权威，强行规定论文发表在哪里是否合理？　　据了解，目前国内有7大核心期刊（或来源期刊）遴选体系：北京大学图书馆“中文核心期刊”、南京大学“中文社会科学引文索引（CSSCI）来源期刊”、中国科学技术信息研究所“中国科技论文统计源期刊”（又称“中国科技核心期刊”）、中国社会科学院文献信息中心“中国人文社会科学核心期刊”、中国科学院文献情报中心“中国科学引文数据库（CSCD）来源期刊”、中国人文社会科学学报学会“中国人文社科学报核心期刊”，还有“中国核心期刊遴选数据库”。近来来，“影响因子”的概念越来越被各种评价体系所接受和引用，往往根据“影响因子”为各类期刊“打分”“排名”。这作为评判期刊的质量固然有一定意义和价值，可是，规定论文非要发表在“影响因子”高的期刊上果真科学吗？去年，参与《中国物理快报》编辑工作24年的中国科学院院士王鼎盛便对此提出质疑：以引用的多寡去评价期刊尚有一定的道理，以引用的多寡去评价论文就很不科学了，而以论文发表的期刊和期刊的影响因子去评价论文则更是近乎荒谬。他认为，不能以期刊评判论文，是因为期刊的总引用中的大部分是由少数论文贡献的，因此，在平均引用多的期刊中也不乏很少被引用的论文，而在平均引用少的期刊中也会有被引用不少的论文。事实上，常有获得诺贝尔奖的科学家的论文发表在平均引用不高的期刊。但是，王院士的意见似乎并未被重视，有些地方在作为改革举措的最新政策导向中，仍把论文发表与“影响因子”直接挂钩，将期刊的“身份”视作论文质量的惟一标准，令人匪夷所思又徒叹无奈。这样的评价体系、评判机制本身难道不应该改革吗？　　另一方面，关于论文的质量问题，也被广泛诟病。最近，青岛科技大学启动了学术不端行为检测系统，用于抄袭、伪造、一稿多投、篡改、不正当署名、一个成果多篇发表等多种学术不端行为的检测。高科技产品对用作防范论文的学术剽窃和学术造假，真不知是喜还是忧。尽管目前这套“检测系统”主要用于研究生论文的检测，但这也足以窥知论文乱象的普遍性严重性，而这又岂止发生在研究生身上？在这种状态下，以发表论文作为破格晋升职称的基本条件，恐怕不靠谱吧！　　何况，眼下真正恪守学术品位，维护学术纯洁的期刊日渐稀少，花钱买版面、发论文早已从“潜规则”衍化为“显规则”，且明码标价，价格飙升，令论文作者怨声载道、苦不堪言。可想而知，如此环境下发表出来的论文，散发的究竟是学术味还是铜臭味？改革学术评价体系，端正学术道德取向，至关重要，也迫在眉睫，但这是一个系统工程，需要综合治理。什么时候，论文不再是箝制学者们的神经，束缚人们创造活力，仅仅是当作职称的“敲门砖”的时候，才能说改革有希望了。

因为事实都有因果联系，只有讲究因果机制才能把课程讲授好。学生也才能从实际中得到结论，从而使课程懂得更加深刻。

自然科学更经典，是大量涨落的综合效果；社会科学更随机，是少量人群的量子效应。

首先大家应该一下子就能想到，计量经济学首先有两个大的门派，微观计量和宏观计量。前者一般从微观个体出发，后者更多应用时间序列数据。当然，宏观经济学用到的方法，除了计量经济学的估计和识别之外，还有校准，这个我不是很熟，就不多说了。而无论是哪个门派，下面又有很多宗派。比如在宏观计量里面，传统的matching moment、MLE和现在非常流行的Bayesian显然是两个不同的宗派。而在微观计量里面，则区分了structural-form和reduced-form两个宗派。题主问的是因果识别，那我们就先来说一下不同门派、宗派之间因果识别的差别。首先说我最不擅长的宏观计量。宏观方面，最popular的概念应该是格兰杰因果了。但是，相信大家都听说过，格兰杰因果不是真的因果。格兰杰意义上的因果仅仅是看滞后的变量能不能预测当期的变量，这里面问题就很多了。在这一领域，传统的方法是VAR，以及相应的VECM等，格兰杰因果也是在这个框架里面的东西。但是如果真的想要识别因果，特别是有当期影响的时候，就需要用SVAR了。微观计量呢？微观计量的因果识别好玩的多。结构和简约两个门派总在相互竞争中不断发展新的想法。两者的区别在于，结构模型有有力的理论模型作为支撑，目的是估计模型的结构参数。而简约派则是避开复杂的经济理论建模和结构参数的估计，通过使用自然实验、工具变量等方法直接找到想要的参数（这个有点像唯识宗给你丝丝分析宇宙人生，而禅宗则是明心见性，直指人心）。在举例子之前，我先总结一下以上答案提到的方法：OLS、实验：最基本的办法，除非有理论支撑，或者数据来自与实验数据，一般会失败。IV：当存在内生性的时候普遍的解决办法，很多方法，比如RD、LATE都可以看作是IVDID：自然实验，实验组和控制组有共同趋势RD：自然实验，外生的断点以上的这几个方法都是reduced-form最经常用的。其中OLS和IV因为太general，所以structural model也会大量使用（在structural模型里面，IV经常是系统内部就可以找到的）。当然，对于structural model中足够复杂的模型，MLE、GMM以及许许多多其他估计方法都是非常多的。为了更直观的给大家说清楚两个宗派的差别，我举个例子，如何识别peer effects。这套文献说白了就是想要看人和人之间的交互影响，比如你努力学习会不会影响到你的朋友也努力学习。