实证研究常见误区(4)：为什么很多论文其实只是相关性研究？

统计

在很多实证研究中，回归分析几乎是最常见的研究工具。研究者通过回归模型分析变量之间的关系，并根据估计结果解释研究问题。

如果翻阅经济学、管理学或金融学的论文，我们会看到大量类似的结论。例如，一些研究发现数字经济发展程度越高的地区，经济增长速度也越快；也有研究发现 ESG 表现更好的企业，其融资成本往往更低；还有研究指出金融科技发展水平较高的企业，更容易获得银行贷款。

这些结果在统计上往往非常显著，回归表也看起来十分完整。但如果进一步思考一个更关键的问题：

很多论文虽然使用了回归分析，但在研究设计上并没有真正解决因果识别的问题。换句话说，它们得到的结果，往往只是变量之间的相关关系。

01相关关系并不等于因果关系

在统计分析中，两个变量之间存在相关关系，并不意味着其中一个变量一定是另一个变量的原因。

以数字经济研究为例。一些研究发现：数字经济发展程度越高的地区，经济增长速度往往也越快。从统计结果来看，这种关系通常非常显著。但这并不一定意味着数字经济本身推动了经济增长。

另一种同样合理的解释是：那些原本经济发展水平较高、产业结构更先进、教育资源更丰富的地区，本身就更容易发展数字经济，同时也更可能保持较高的经济增长率。

如果真实情况是这样，那么我们在数据中观察到的统计关系，其实更接近下面这种结构：

在这种情况下，数字经济与经济增长之间的统计关系，很可能只是因为它们共同受到地区发展水平的影响。

类似的情况在企业研究中也很常见。例如，一些研究发现企业规模越大，融资成本越低。但这并不一定意味着企业规模本身降低了融资成本。也可能是那些经营状况更好、信用记录更稳定的企业，既更容易扩大规模，也更容易获得银行贷款。

因此，仅仅观察变量之间的相关关系，并不能直接得出因果结论。

如果相关关系并不等于因果关系，那么为什么很多实证研究仍然停留在相关性分析？

其中一个重要原因是，因果识别本身往往非常困难。

在理想情况下，如果我们想知道某项政策是否真的产生了效果，最直接的方法其实是进行实验：随机选择一些地区实施政策，同时保留一些地区不实施政策，然后比较两者之间的差异。

但在现实世界中，大多数经济政策并不能通过这种方式进行实验。研究者通常只能利用已经发生的数据，而这些数据往往缺乏一个清晰的对照组。

例如，当某个城市大力发展数字经济产业时，我们很难找到一个在其他条件完全相同、只是没有发展数字经济的城市作为对照。因此，很多研究只能利用现有数据进行回归分析，而难以构造真正的因果比较。

另一个原因，则是一些研究者过于依赖统计模型，而忽视了研究设计的重要性。在很多论文中，我们可以看到非常复杂的模型设定，例如加入大量控制变量、引入不同类型的固定效应，或者使用各种回归形式。但如果研究设计本身无法区分不同因素的影响，那么再复杂的模型也很难识别因果关系。

换句话说，回归模型只是一个统计工具，它可以帮助我们描述变量之间的关系，但并不能自动识别因果关系。

在现代实证研究中，识别因果关系往往依赖特定的研究设计，而不仅仅是回归模型本身。

例如，一些研究会利用政策冲击或制度变化作为“自然实验”，通过比较政策实施前后的变化，来分析政策的真实影响；还有一些研究会使用工具变量、双重差分或断点回归等方法，试图构造一种接近实验条件的比较环境。

这些方法虽然形式不同，但核心思想其实非常一致：寻找一种近似随机的变化，使得研究者能够比较“有干预”和“没有干预”的差异。

因此，在实证研究中，一个更关键的问题往往不是：模型用了什么方法？

而是：研究设计是否能够识别因果关系。

如果研究设计无法区分不同因素的影响，那么回归分析得到的结果通常只能被理解为相关关系，而不是因果关系。

在实证研究中，回归分析可以帮助我们发现变量之间的相关关系，但它并不能自动识别因果关系。

如果研究设计没有解决内生性问题，那么回归结果即使非常显著，也可能只是描述了变量之间的相关性。

因此，在评价一篇实证研究时，与其只关注模型形式是否复杂，不如首先思考一个更基本的问题：这项研究是否真正识别了因果关系。

简单来说：

回归分析告诉我们变量是否同时变化，而因果研究真正要回答的是：是什么导致了这种变化。