实证研究常见误区(12)：为什么实证研究总在寻找“外生冲击”，外生冲击到底是什么

本文是一个非常典型的因果识别入门问题。

为什么实证研究总在寻找“外生冲击”？外生冲击到底是什么？

在很多实证论文中，经常会看到类似这样的表述：“本文利用某项政策作为外生冲击”，或者“为了缓解内生性问题，引入外生冲击”。对初学者来说，这种说法往往既熟悉又模糊。熟悉，是因为几乎每篇因果研究都会出现；模糊，是因为很多人并不真正理解它在解决什么问题。

为什么研究一定要去“找冲击”？如果没有外生冲击，这篇研究是不是就不成立？这些问题，都指向一个更基础的逻辑——我们到底如何从数据中识别因果关系。

01为什么“相关关系”不够？

在大多数实证分析中，研究往往从相关关系出发。我们会发现：教育投入越高的地区，学生成绩往往也更好；广告投入越多的企业，销量通常也更高。通过回归分析，这些关系往往还能得到“显著”的统计结果。

这种显著性容易让人产生一种错觉，好像我们已经找到了因果关系。实际上，这种理解往往是不可靠的。因为在现实世界中，变量之间的关系很少是单向的，也很少是孤立存在的。

以教育投入为例，如果我们观察到“教育支出高的城市，学生成绩更好”，这并不必然意味着“教育投入提升了成绩”。另一种同样合理的解释是：这些城市本身经济更发达、教育基础更好、家庭更重视教育，而这些因素既会带来更高的成绩，也会带来更高的教育投入。

在这种情况下，我们看到的并不是“投入影响成绩”，而是两者同时受到其他因素的影响。这种问题，在计量经济学中被称为内生性。也正是在这里，单纯的相关关系开始变得不够用。回归可以描述关系，但无法自动区分因果方向。

02外生冲击，到底是什么意思？

理解了相关关系的局限之后，就更容易理解“外生冲击”这个概念。它并不是一个复杂的技术术语，而是一种对“变量变化来源”的划分方式。

所谓外生冲击，本质上指的是一种来自系统外部的变化。这种变化不是由研究对象自身决定的，也不是由模型中的变量相互作用产生的，而是由外部因素引入的。正因为它来自外部，我们才更有理由认为，它不受原有结构的干扰。

可以用一个常见的研究情境来理解。假设我们关心“教育投入是否会影响学生成绩”。如果某一年，中央政府出台政策，要求各地统一提高教育经费占比，那么教育投入的上升就不再完全由地方自身决定，而是受到外部政策推动。这种变化，与城市自身的教育偏好或历史基础关系较弱，因此可以被视为一种外生冲击。

这里真正重要的，不是“冲击”这个词，而是“外生”。也就是说，我们关心的是：这种变化是否独立于原有系统。

03外生冲击为什么有用？

外生冲击之所以重要，在于它改变了我们观察到的“变化性质”。在原始数据中，变量的变化往往是多种因素共同作用的结果，很难拆分。例如，教育投入的增加，可能同时受到经济发展、人口结构、政策导向等多种因素的影响。

在这种情况下，回归系数实际上反映的是这些因素的综合作用，而不是某一个变量的独立影响。这也是为什么，仅仅依赖观测数据，很难直接识别因果关系。

外生冲击的作用，是在一定程度上“净化”这种变化。当变量的变化来源于一个外部事件时，我们可以更有信心地认为，这种变化不再完全依赖于系统内部的结构。例如，如果教育投入的变化来自统一政策，那么它至少不再是由城市自身的成绩变化所驱动。

这样一来，我们在观察投入变化与成绩变化之间的关系时，就更接近在回答一个反事实问题：如果只是教育投入发生变化，其他条件大体不变，结果会怎样。这种比较，正是因果分析的核心。

04很多方法，本质上都在寻找这种“外生变化”

如果从这个角度看，会发现很多看起来复杂的方法，其实都围绕同一个目标展开。无论是双重差分、断点回归，还是工具变量，它们的共同点，并不在于模型形式，而在于都试图找到一种可以被视为外生的变化来源。

例如，双重差分方法利用政策实施前后的变化，并通过对照组进行比较，从而把政策带来的变化与其他趋势区分开来。断点回归则利用某个阈值附近的样本，通过“刚好被划分到不同组”的个体之间的比较，近似获得一种随机分配。工具变量方法，则通过引入一个影响解释变量、但不直接影响结果变量的外部变量，来提取其中的外生成分。

这些方法之所以成立，不是因为它们在形式上更复杂，而是因为它们在试图回答一个更根本的问题：我们是否能够找到一个可信的外部来源，让变量的变化不再完全依赖于系统内部。

05没有外生冲击，就不能做研究吗？

这个问题在实际写论文时非常常见。很多人会担心，如果找不到外生冲击，是不是研究就无法继续。其实，并不是所有研究都必须依赖外生冲击。

如果研究目标是描述性分析、相关性分析，或者预测，那么这些研究本身是完全有价值的，也不需要严格的因果识别。例如，预测模型关心的是变量之间的稳定关系，而不是因果机制。

但如果研究的目标是解释机制、评估政策效果，或者回答“某个变量是否真正导致结果变化”，那么问题就会发生变化。这时，研究者要面对一个关键问题：变量的变化来自哪里。如果这种变化完全来自系统内部，那么无论模型多复杂，结论的因果解释都会受到质疑。

这也是为什么在当前的实证研究中，审稿人越来越关注“识别策略”。他们真正关心的，不是模型形式是否复杂，而是你的结论是否建立在一个可信的变化来源之上。

小结

外生冲击是一种理解数据的方式，它的核心不在于是否存在某个“冲击”，而在于变量的变化是否具有相对独立的来源。

当变化完全来自系统内部时，我们很难区分因果关系；而当变化来自外部时，我们才有机会接近一种类似“自然实验”的情境。也正是在这个意义上，很多实证方法虽然形式各异，但本质上都在努力做同一件事——让数据中的变化更接近于可识别的因果变化。