我认为将计量经济学视为非常适合处理经济学家在研究中通常遇到的问题的统计应用是有帮助的。所以它们在某种意义上肯定是非常相关的，但重点是经济学和统计学之间的联系。另一种思考方式是，计量经济学将统计数据与来自经济理论或推理的假设结合起来，而计量经济学则是研究这些经济假设在多大程度上购买了统计背景下的信息。这体现在三个方面：1. 统计模型脱离经济模型，而不是从统计模型开始，2. 重点是经济学家特别突出的问题，3.

为了扩展这些观点，第一点强调统计模型通常来自经济学模型。例如，您可能正在研究市场，经济学理论的一个经典结果是市场出清，它表明一种商品的供给等于该商品的需求，因此当您拥有生产商品的公司和购买商品的消费者的数据时，您可能想在你的统计模型中强加这个条件，这可以说是一个矩条件，因此是广义矩量法 (GMM) 的一个子集，它是在计量经济学中发展起来的，因为很多经济模型都有一些矩条件必须持有，我们可以将这些信息与我们的统计模型一起使用。

第二点是显而易见的，您可能可以将第一点视为一个案例，但它确实强调了计量经济学在经济学家感兴趣的背景下开发统计工具，而一个经典的兴趣是因果关系而不是而不是情境中的相关性。例如，允许潜在结果异质性的工具变量方法的发展很大程度上是由计量经济学家推动的，因为这是该领域的一个常见问题：经济学家通常研究个人（或个别公司），每个人都有一个非常合理的不同的治疗效果。此外，与某些领域不同，在某些情况下运行 RCT 可能更难，因此Imbens 和 Angrist (1994)等经典论文当您拥有没有完全支持的仪器时，分析哪些 IV 方法可以识别。

最后一点应该指出，计量经济学还侧重于将统计模型与经济学联系起来。这是第一点的相反方向：给定一个统计模型，您必须对个人进行哪些假设才能使模型成立，并且从经济学的角度来看，这些假设是否合理。例如，Vytlacil (2002)表明，经典的 IV 假设和单调性等价于具有指数切换阈值的 Roy 模型（经典经济模型的变体），这使经济学家可以从经济学角度理解统计假设。

计量经济学最初来自统计学。一般来说，统计学比计量经济学更笼统，因为虽然计量经济学侧重于统计推断，但统计学也涉及其他重要领域，如实验设计和抽样技术。然而，今天我可以毫无疑问地断言，计量经济学在很大程度上也对统计做出了贡献。

1）经济学中的统计问题类型：

我第一次听说线性回归是在物理实验室，当时我还是一名化学工程专业的学生。我不确定我真正上的具体课程，但我们可以在这里考虑我的课程是一个估计弹簧弹性系数的实验......简单！即使你的物理知识很有限，你也能理解这个实验。

考虑弹簧的一端连接到天花板，而另一端是自由的，您想连接质量。很快，弹簧会膨胀，知道胡克定律，质量的平衡位置将是重量等于弹簧变形产生的力的位置。我们可以将这个想法等同于：，其中是重力，是弹簧变形常数，是当您将面团放在其末端时弹簧膨胀的程度。如果你放不同的质量，你会有不同的变形。然后您可以构建一个数据矩阵，其中因变量为$m$$mg = kd$$g$$k$$d$$d$（确切知道）并且自变量是（已知），您可以从线性回归$mg$$1 / k$

$$d = \alpha + \beta mg + u,$$ 其中是的估计值，是与模型相关的可能误差。$\beta$$1/k$$u$

注意：

原因：体重较高

效果：更大的弹簧膨胀

这个效果非常明显。

这种情况在计量经济学中非常少见。在经济学中，很少有人知道，但其目的是研究/了解政府/家庭/公司的选择……当我们尝试对选择情况进行建模时，因果关系并不像上面那样明确。

考虑以下来自犯罪经济学领域的社会经济问题，城市想知道他们需要多少才能增加警察人数以减少犯罪。因此，感兴趣的模型可以采用以下形式：

$$crimes = \alpha_1 + \beta_1 policemen + ... + u_1$$

该模型表明犯罪数量随着警察数量的增加而减少。

解释：如果警察人数增加，犯罪的动机就会减少。

问题：这个方程能回答上面的问题吗？

我们可以写吗

原因=警察 效果=犯罪？$\Rightarrow$

没有为什么？简单地说，因为警察的数量可以与以下模型相关联

$$policemen = \alpha_2 + \beta_2 crimes + ... + u_2$$

该模型表明，市长对犯罪数量做出反应，增加警察人数或增加警察人数与犯罪率较高的地区有关。

解释：如果给定地区的犯罪增加并且市长想要连任，那么她/他想要解决问题并且她/他增加警察的数量。

这种情况的因果关系尚不清楚。这个问题叫做内生性，是经济学的规律。在这种情况下，误差项不是外生的（这很容易证明），我们知道这是我们必须考虑的最重要的假设，以确保我们模型的估计参数没有偏差。[发生这种情况是因为如果我们使用 ols 估计器，它将迫使误差与回归量正交，并且在这个回归模型的情况下，这不会发生。]

免责声明：这是经济学中的经典模型（很容易解释）。鉴于最近在美国发生的事件，我并不是建议或不建议增加或不增加警察人数。我只是在谈论简单的模型来指出一些想法。

经济学中的大多数事件都来自均衡关系，例如：

A) 供需平衡模型

a) 需求随着给定产品的价格而下降

b) 报价随着给定产品的价格而增加。

我们有平衡需求=报价。t 我们如何在经济学中区分这些影响？

B) 通货膨胀和利率

a) 如果经济的基本利率下降，经济活动增加，可能会增加通货膨胀。（这里，低利率似乎导致了通货膨胀）

b) 但是，如果通胀较高，央行决策者可能会决定提高利率以控制通胀。（这里的高通胀似乎导致了高利率）

事实上，我们得到了另一个均衡关系。

2）我们在计量经济学中的数据

在统计学的许多领域，我们能够创建实验来生成我们需要的数据。例如，我们想测试一种药物的效果。我们将人群分成两部分，第一部分接受治疗，第二部分不接受治疗（接受安慰剂）。

在经济学的许多情况下，不可能生成“完美”的数据来检验一个现象。例如，我们可能不会利用利率来估计其对通货膨胀的影响。如果我们这样做，许多人可能会因经济衰退而失业，或者可能导致恶性通货膨胀或国际资本流失。话虽如此，在经济学的许多情况下，我们不得不离开那里的数据，这会带来很多问题。

因此，计量经济学的重点是达到因果关系，正如我们在上面的例子中发现的那样，上面有一个不完美的数据。

3）经济理论的作用

在计量经济学中，理论的作用非常重要。通常经济学家想要检验假设。所以建立模型是为了检验这些假设。例如，增加学习年限对人们的工资有什么影响？这是劳动经济学领域出现的问题。

4) 型号

计量经济学模型专注于在上述（例如）讨论的情况下创建因果关系。

处理内生性的经典思想是找到替代内生变量的工具变量，我们恢复误差项的外生性。这个想法的扩展是所谓的两阶段最小二乘法，也是矩量的广义方法。

然而，这只是该领域的一般概述。如果您真的想对计量经济学领域有一个总体的了解，我强烈建议您阅读《Mostly Harmless Econometrics - Joshua D. Angrist and Jörn-Steffen Pischke》一书或其简化版《Mastering Metrics: The Path from Cause to Effect》—— - Joshua D. Angrist 和 Jörn-Steffen Pischke”。

现在该领域的主要贡献与计量经济学与机器学习的混合思想有关。

值得一提的是，这个答案的一些想法来自我之前给巴西网站的答案：内生性和计量经济学与统计学。

计量经济学是统计学的一个应用分支，主要与经济学相关。

例如，在计量经济学中，主要挑战之一是误差项的非独立性，这通常在许多/大多数统计问题中被假设为不存在。

这对传统统计数据有意义，但对经济学意义不大，因为人类始终是更大社会的一部分，不容易分成双盲治疗组和对照组。

主要区别在于应用领域：

计量经济学是应用于经济学问题/现象的统计数据。

C'est ça.

自然，这会导致方法论的不同重点和重点。