主题：【原创】经济学的经验研究方法 -- Dracula

有点偏颇了。相反比较客观的是，实际上econometrics是对causality，endogenity，neutrality，stationarity等等研究最活跃的学科，我本人反而恰巧是做baysian 人工智能的，应用是生物医学信息学。具体到Judea Pearl的Causality，首先要说的是，他是从学习bayansin 网络的结构引出的问题，往简单说：一个用图表示的变量链接图，其变量之间的链接表示dependceny关系，很多情况下，图的结构不一样，有可能他推理的结果是一致的，那么那个变量连接才是真的呢（表示causal relationship），或者变量之间的箭头方向是什么呢？他假设，假如没有隐变量，并且已知一个图，那么有些因果关系（变量之间的箭头方向）还是可以确定的。Judea的工作在于提供一个框架来讨论这个因果性的问题，但是并没有解决发现因果性的问题（怎么可能解决，这个本身就是科学的终极问题）。同时，要指出的是，实际上Judea肯定是阅读过economcetrica领域工作，比如他在他的causality里面就提到了著名的Granger（200？年经济学诺奖和Engle一起） causality，但是也可以遗憾的说，他对economcetrica，统计学领域在这一方向理论上的最新进展至少没有完全体现在他的老版本里面，而他本人是承认causality在其他领域的重要性的，时间上，Judea是2000年提的，而grange causality是1969年发表的。

楼主的说法还是中肯的，其关于structural model和reduceformmodel的讨论，可以见于一般的econometria教材，比如说，Hamilton的那本。本人作为人工智能研究者，认为人工智能的发展，主流观点也是认为，正是因为有了统计学等学科坚实的基础，才让人工智能成为一门科学。人工智能还应该在并且越来越在这个方向发展。