vans(2013);MahoneyandBarrenechea(2019);Gould(2019);Zhang(2019)。">换言之,当们要论证事件X导致事件Y产生时,们同时需要知道,如果事件X没有发生,事件Y是否就不会发生,以此估算出事件X发生与不发生产生因果效应。当事件X发生并被们观察到之后,事件X没有发生这种状态就无法观测到,因此,们无法“真正”进行因果检验。<注:"反事实观测之所以重要,是因为如果事件A没有发生,们仍然观察到事件B发生,那说明事件A不定是导致事件B发生原因,至少不是唯原因。同时,如果知道如果事件A没有发生情况下事件B状态,们就可以估计出因果效应。">为解决这个问题,个基本思路就是,想办法构造出事件X没有发生反事实案例。比如,在a案例下(或称为a样本)X发生,们观察到Y;们希望可以在b案例下(或称为b样本)观察若X不发生,Y是否也不发生。只要a与b在除X事件之外,其他条件非常相似,那们可以将b案例中X事件不发生,近似地作为a案例中X事件发生反事实结果。通过比较a案例与b案例中Y事件发生与不发生情况,们可以推测X事件是否是Y事件发生原因。<注:"但是,当们看到b案例中,X事件不发生,Y事件也发生时,们不能直接排除X事件是Y事件原因这结论,因为可能存在其他因素(在a,b中都存在)同时影响到X事件与Y事件。因此们需要更多观测样本,更仔细地比较不同样本(或案例)之间其他因素差异。">当差异性案例或样本足够多时,其他因素对事件Y影响就越来越随机,们进而可以更加准确地获知X事件对于Y事件影响。同时,们也可以利用定量方法来检验X事件与Y事件之间关系,而非逐个进行案例比较。
图1反事实框架下因果效应<注:"由于无法观测实际因果效应,图中为随机因果效应。">
因果关系识别要求们能够找到相似案例进行反事实推断,然而案例之间往往存在诸多不同,因此有相当多干扰因素(confounders)会影响到们结论可靠性。尤其是当某些干扰因素因不可知而被们遗漏时,因果推断会遇到极大挑战。如果们能够找到某个历史场景,存在两个相似案例(地区或者组别),由于某种历史偶然性,其中个案例发生外生变化或者具有某种特征(这个变化或特征及其导致结果正是们关心),而另个案例没有发生这种变化或没有这种特征,那们就可以利用这样种“历史自然实验”(historicalnaturalexperiment)来检验该变化与特征对于们关心结果影响(DiamondandRobinson2010;CantoniandYuchtman2021,213—241)。这是近些年定量研究方法最为重要进展。
下文以笔者与陈雨新、王海骁项研究为例,尝试部分说明这方法进展(Chen,Wang,an
请关闭浏览器阅读模式后查看本章节,否则可能部分章节内容会丢失。