在计量经济学中，您当然可以找到一些由知名（和高技能）计量经济学家在体面的期刊上发表的传播方法的例子。我不知道有一篇理论论文，但Lalonde (1986)以指出当前使用的方法效果不佳而闻名：他将相同数据集的实验方法与观察方法进行比较，发现（因果）治疗领域存在很大差异评价。有大量文献确实宣传了这些非实验性方法，这些方法在当时已经使用过，并且在今天仍然经常使用。

随后，（我认为仍然存在）关于倾向得分匹配是否是一种可能的解决方案的争论（例如，参见此处）。

此外，关于工具变量估计存在很多争议。高被引原始论文的结论一直存在争议。这可能是与您的问题最接近的示例。Bound 和 Jaeger （1996 年以及随后的论文）质疑Angrist 和 Krueger（1991 年；根据 Google Scholar 被引用 2700 次）的著名论文的发现，该论文在应用计量经济学文献中基本确立了工具变量方法。

关于所谓简化形式估计以确定因果关系的适当性也存在很大争议，例如参见Imbens (2010)。

另一个大话题当然是关于标准误差的。也许可以找到一篇著名的论文传播 p 值。在计量经济学中，由于现有方法错误，较长时间序列的标准误差经常被错误计算（在差异设计中），请参见此处。然而，我不知道有一篇原创论文在这种情况下提出了这些方法，但我相信你会在这个领域找到一些例子。

资料来源：

Angrist、Joshua D. 和 Alan B. Keueger。“义务教育会影响上学和收入吗？” 经济学季刊 106，没有。4 (1991): 979-1014。

Bertrand、Marianne、Esther Duflo 和 Sendhil Mullainathan。“我们应该在多大程度上相信差异估计？” 经济学季刊 119, no. 1 (2004): 249-275。

Bound、John 和 David A. Jaeger。论出生季节作为工资方程工具的有效性：对 Angrist 和 Krueger 的“Dos Compulsory School Attendance Affect Scho. No. w5835 的评论”。国家经济研究局，1996 年。

德赫加，拉吉夫。“实用的倾向得分匹配：对史密斯和托德的回复。” 计量经济学杂志 125，没有。1-2 (2005): 355-364。

Imbens, Guido W. “迟到总比没有好：对 Deaton (2009) 和 Heckman 和 Urzua (2009) 的一些评论。” 经济文献杂志 48, no. 2 (2010): 399-423。

LaLonde, Robert J. “使用实验数据评估培训计划的计量经济学评估。” 美国经济评论 (1986): 604-620.*

RA Fisher，“现场实验的安排”。英国农业部杂志。33：503-513。1926 年。

根据互联网上的各种消息来源，本文是使用的起源$\alpha = 0.05$作为任意统计检验中的显着性阈值。

......在我们可以说的水平上画一条线是很方便的：“要么治疗中有问题，要么发生了巧合，例如在 20 次试验中不超过一次。”

... 如果二十分之一的几率似乎不够高，如果我们愿意，我们可以在五十分之一（2% 点）或一百分之一（1% 点）处划定界限。就个人而言，作者更愿意将显着性的低标准设定在 5% 点，而完全忽略所有未能达到这一水平的结果。只有当一个设计合理的实验很少不能给出这种程度的意义时，一个科学事实才应该被认为是经过实验建立的。

我试一试（虽然不是那么强）：

非常有用的 [Cameron, AC, & Miller, DL (2015)。集群鲁棒推理从业者指南。Journal of Human Resources, 50(2), 317-372.] // 已有 1900 次 Google 学术引用// 提供了有关标准错误聚类的适当级别的建议：

“共识是保守并避免偏见，并在可能的情况下使用更大和更多的聚合集群，直到并包括担心集群太少的程度。”

然而，[Abadie, A.、Athey, S.、Imbens, GW 和 Wooldridge, J. (2017)。什么时候应该调整聚类的标准误差？（编号 w24003）。国家经济研究局。]表明，“在过于聚合的层面上进行集群实际上是有害的”。请看后面的第1页：https ://economics.mit.edu/files/13927

也许您还可以从 Abadie 等人（2017 年）强调的两个误解开始提出更强有力的案例。