2019年10月25日下午
，J9集团国际站2019技易分析硕士班和慕名前来的校内表同学们齐聚J9集团国际站1号楼216教室
，共同参与由BA班学术沙龙委员会进行的“机械进建与实证钻研步骤”主题沙龙活动
，本次约请到的嘉宾是J9集团国际站金融学系主任、金融硕士项目执行主任刘晓蕾教授。

活动现场

一、有关性与因果性

请同学们先思虑这样一个问题：

『此刻有一个关注开会次数与公司绩效关系的钻研
，如果我们模型成立正确
，没有遗漏沉要变量
，通过回归分析我们也简直发现了开会次数越多的企业
，绩效越差
，那我们能够得到开会降低了公司绩效的结论吗
？』

答案是不能
，这个例子其实涉及的是自选择问题
，由于只有绩效差的公司才必要频仍开会会商去解决绩效问题
，而绩效好的公司是不必要开会的。

刘晓蕾教授用这一个问题引入了实证钻研中关于有关性与因果性的会商。

*实证钻研是经济、金融领域常用的一种钻研步骤
，在实证钻研中时；崾褂玫绞莘治龅乃悸。

刘晓蕾教授讲述回归分析的思路

只管好多的经济景象能够通过回归的方式来诠释
，但哪怕是参与更多的诠释变量
，这样的模型也存在一些潜在的缺点：

①遗漏变量（omitted variable）
，存在与Y有关但被遗漏的变量。

②反向因果（reverse causality）
，Y和X间存在反向因果关系。

在这里产生了一个极度沉要极度值得探求的问题
，统计模型左袒诠释有关关系
，而经济学更想要得到景象背后的因果关系(Causality)。毫无疑难
，在实证钻研中若上述缺点不得到解决
，将难以得到可信度高的结论。因而若何筛选相宜的样本
，使用怎么的模型设计规划变得尤为沉要。

二、解决规划

刘晓蕾教授介绍了六个解决上述问题的可行规划：

1.双胞胎（Twins）。双胞胎的生理前提、成长环境根基一致
，可尽量削减无法观察到变量间的差距
，但弊端在于很难网络足够的样本。

2.随机尝试步骤（Randomized Controlled Trial）。只管个别间总有差距
，但在随机抽样
，样本量足够大的情况下
，凭据“大数定律”可解除这种差距所带来的影响。

3.天然尝试（Natural Experiment）。在无法进行随机抽样时
，能够通过“天然”的伎俩
，替我们做出选择。但通常钻研对象是某项具体的政策
，钻研对分歧地域之间造成的影响。

4.工具变量(IV)。寻找一个与X高度有关却与Y不有关的工具变量
，解决反向因果关系带来的问题。

5.断点回归设计(RDD)。例如
，想要钻研北大的教育是否对一个学生的成长带来显著提升
，但能考上北大的学生幼我素质本就很高
，无法诠释北大对学生的成长的贡献为几多。不妨设北大的分数线为650分
，可以为651分与649分学生幼我素质相差无几
，在此基础上模型拥有更强的诠释性。

6.结构估计（Structural Estimation）。先构建一个模型
，用模型模拟天生一些数据
，再用真实数据与之结合
，调整模型的参数。但弊端在于阐发高度依赖于模型自身。

三、机械进建

随后
，刘晓蕾教授机械进建在实证钻研中的重要利用场景。首先是天然说话处置NLP的使用
，例如在大量的财政报表中
，可挖掘财报中的关键词
，判断公司是否存在潜在的风险。其次长短线性估计的引入
，传统回归模型中
，若是引入变量过多
，容易导致共线性
，而非线性步骤能够通过降维步骤
，处置高维数据
，加强模型诠释成效。此表
，Topic分类步骤能够用于文章分类上
，便于学者进一步的解读。

当然
，机械进建步骤也有自身的局限性
，在构建机械进建模型的过程中会掺入好多主观调参的过程
，因而能够报答地操控尝试了局。

刘晓蕾教授讲述机械进建在实证钻研中的利用场景

四、总结

在沙龙的最后
，刘晓蕾教授总结路
，机械进建、实证钻研都只是钻研路路上的一个具体步骤
，但比实证更沉要的是所钻研的问题。我们更应该关注钻研的问题是否沉要。中国鼎新盛开获得了举世瞩主张经济事业
，但还有好多亟待解决的问题
，必要我们不休钻研新的概想和理论去诠释这些经济景象。

师生互动Q&A环节