详细内容或原文请订阅后点击阅览
“过度控制”的危险
为了降低在处理观测数据时仅建立“虚假关系”的风险，统计学家和计量经济学家通常会添加控制变量。希望人们能够由此做出更可靠的因果推论。但是，正如凯恩斯在 20 世纪 30 年代批评回归分析的统计计量经济学应用时所表明的那样，[...]
来源:Lars P Syll“过度控制”的危险
为了降低在处理观测数据时仅建立“虚假关系”的风险，统计学家和计量经济学家通常会添加控制变量。希望人们能够由此做出更可靠的因果推论。但是，正如凯恩斯在 20 世纪 30 年代批评回归分析的统计计量经济学应用时所表明的那样，如果你无法捕获所有潜在的混杂因素，该模型就有可能产生对感兴趣变量的估计，该估计甚至比没有任何控制变量的模型更糟糕。结论：在模型中简单地包含“控制变量”之前请三思！
当我提出这个论点时……一位或多位学者说，“但是我不应该在回归中控制一切我能控制的东西吗？如果不是，我的系数是否会因为排除变量而产生偏差？” …仅当您确定您的规范对于包含的所有变量都完全正确时，排除的变量参数才有效。但没有人能知道，只有少数几个解释变量……
一种更好的方法是将观察结果分成有意义的子集——内部兼容的统计机制……如果不能做到这一点，那么统计分析就无法完成。一名研究人员声称，除了大而混乱的回归是可能的，因为毕竟必须产生一些结果，就像陪审团说：“嗯，证据很弱，但必须有人被定罪。”
克里斯托弗·H·阿亨
厨房水槽计量经济学模型通常是研究人员试图控制混杂因素的结果。但他们通常没有意识到，混杂问题需要因果解决方案，而不是统计“控制”。控制一切会带来我们控制“碰撞”变量的风险，从而创建“后门路径”，这给我们带来了本来就不存在的混杂。
埃兹拉·克莱因