计量经济学导论
南桥市在二〇二一年启动“青年技能跃迁计划”。林澈拿到报名、课程和就业记录后，最先看到的是完训青年似乎就业更稳定、收入也更高。她没有立刻把这当成项目成果，因为一个更难的问题随后出现：如果这些青年当初没有完训，他们会怎样？
本章中的南桥市、林澈和项目均为虚构教学案例，不报告现实结论。你将跟着她把一句日常判断拆成研究对象、处理状态、结果和比较逻辑；计量经济学的价值，正是在这个拆解过程中显现。
从疑问出发
项目办公室说：“参加者发展得更好。”林澈先把这句话停在纸面上：它可能是描述，也可能被误写成因果。若她只想知道参加者的状况，汇总记录就够；若她要决定项目是否值得扩大，就必须寻找一个能近似“没有培训时会怎样”的比较。
她也区分预测与评估。根据报名时信息预测谁会失联，能帮助工作人员安排回访；但预测得准不说明培训造成了就业变化。你应先确定要解决哪类问题，再决定数据和模型应承担什么任务。
- 谁是目标对象：符合资格的青年、报名者，还是完训者？
- 什么是处理：获邀、开始课程，还是完成明确方案？
- 哪个结果重要：稳定就业、月收入，还是两者都要观察？
为何需要计量
林澈发现，报名者并非随机走进课程：有人已有工作经历，有人通勤更方便，也有人因家庭照料中断学习。这些条件既可能影响完训，也可能影响就业。只比较两组均值，等于把课程影响和原有差异装进同一个数字。
计量经济学把经济学的制度故事、统计学的不确定性和数据记录的限制放到同一条推理链上。它不承诺自动消除偏差，而是要求你说明：变量是否测对了，比较是否公平，结论又能走到哪里。
问题先于方法
林澈把问题写成：“在符合资格的南桥青年中，完成培训相对于未完成培训，是否改变后续观察期内的稳定就业与月收入？”这句话让对象、处理、结果、比较和时间范围都可以被追问，也避免了先选一个热门方法、再为它寻找问题。
“完成培训”只是本章的教学处理状态。正式评估要分清项目获邀的意向处理效应、实际接受某一方案的效果，以及在额外假设下的完训效应；中途就业、退出和支持服务都会使这些对象不同，不能混作同一种结论。
相关不是因果
完训者收入更高，可能来自课程，也可能来自教育、既往经历、家庭支持和街区岗位机会。这些处理前因素同时影响完训和结果，形成混杂。即使培训发生在收入记录之前，已经预期会就业的青年也可能更愿意坚持完成课程。
林澈还不能把培训后的证书、面试次数或求职信心随意当作控制变量。它们可能正是课程影响就业的路径；控制它们会把“培训总体改变了什么”换成另一个更窄的问题。变量的时间和角色比变量数量更重要。
反事实的比较
林澈真正关心的，是同一位青年在“完成培训”和“没有完成培训”两种状态下，稳定就业会不会不同。可现实不会给她两次机会：小周要么完成了培训，要么没有完成，她只能看到其中一条结果。另一条没被看见的可能性，就是反事实。
所以，她不能随手抓一群未完训者来比较。更合理的问题是：如果那些已经完训的青年当初没有完成培训，他们的就业结果会像谁？只有当比较组在培训前的动机、就业经历、照护压力和通勤条件上足够接近时，比较才是在逼近这条看不见的路径。
如果未完训组能够近似代表完训者在“未培训”状态下的结果，那么两组结果的差异可以先被理解为完训者的平均因果影响。但这仍不是一句“培训对所有青年都有效”：它回答的是“对实际完训的人，培训可能带来了什么差别”，而不是自动推广到每一位符合资格的人。
林澈接下来会把这个判断拆成可检查的动作：先看两组在培训前是否已经明显不同，再追问谁更容易完成培训，最后说明哪些差异仍可能没有被记录。你会发现，计量经济学并不是凭一个回归系数宣布因果，而是在不断追问：这个比较，到底像不像同一个人走向两条不同的路？
数据与模型
林澈先检查每行数据代表谁、变量何时发生、空白意味着什么。她发现报名系统、培训记录和就业资料并不会覆盖同样的人；若身份合并错位，或收入只在被联系到的人中出现，后面的模型只会更精确地分析一个有偏样本。
直觉上，她想在教育、既往经历和街区机会相近的青年间比较完训状态。以下模型把这种条件比较写清；收入 (W_i) 是结果，完训 (D_i) 是处理，(X_i) 是培训前特征：
这里的 (\tau) 是给定 (X_i) 后的条件平均差异，并不会自动成为因果效应；(\varepsilon_i) 提醒你仍有未记录的因素。若关键的处理前差异缺失，或把处理后的机制当作控制，系数的因果解释就会失去基础。
- 一行究竟代表一位青年、一次访谈，还是一段就业记录？
- 控制变量是否确实发生在培训之前，而非培训产生的结果？
- 空白是零、拒答、未访问，还是不适用，是否会改变留在样本中的人？
从个体到政策
南桥案例首先是一个微观计量问题：每一行记录对应一位青年，林澈关心的是培训状态改变后，个体的稳定就业是否不同。此时，“谁接受了什么处理、结果在多长窗口内测量”比“全市平均数字有没有变化”更重要，因为研究对象就是具体的人和具体的选择。
但只要把问题换成“这项计划会不会改善南桥市整体就业”，单位就变了。失业率、岗位总量、企业招聘节奏和物价，都是城市—时期层面的变量；它们会同时受到产业周期、季节招聘和其他政策影响。你不能把一组青年之间的比较，直接翻译成一座城市的宏观结论。
林澈还要警惕外溢。完成培训的青年可能因为获得推荐而占据原本会给其他人的岗位，也可能把求职信息分享给未完训的朋友；前一种情况会改变竞争，后一种情况会扩散帮助。这样一来，“未完训组”未必完全没有受到项目影响，比较的含义就需要重新说明。
在写结论前，她会用下面这张小检查单确认研究能说到哪里：
- 处理对象：结论针对实际完成培训的青年，还是所有符合资格的人？
- 比较单位：比较的是个人、街区，还是城市—月份？
- 可能外溢：未完训者是否也可能因项目获得岗位信息、推荐或竞争压力？
- 推广环境：另一座城市的岗位结构、项目规则和青年构成是否仍然相近？
因此，一项个体层面的结果最稳妥的说法通常是：“在南桥当前项目和样本范围内，培训与稳定就业之间呈现出怎样的可比差异。”它可以为政策提供线索，却不能跳过外溢、环境变化和实施条件，直接承诺所有城市都会得到同样结果。
研究路线
林澈没有从回归开始。她先访谈项目流程，画出报名、获邀、开课、退出和就业记录的时间线；随后检查处理组和比较组在培训前是否有重叠。制度规则告诉她谁可能被比较，数据质量决定这种比较能否被落实。
当一个合理规格得出结果后，研究仍未结束。她需要改变有依据的样本限制或变量口径，检查结论是否依赖少数街区或少量记录；随后把发现、限制和不能推出的判断一起写出，而不是只挑最顺眼的一版。
- 固定研究问题、主要结果和处理定义。
- 追踪数据生成、样本进入与处理发生的过程。
- 检查处理前可比性、共同支持和可能外溢。
- 估计并记录合理的敏感性检查，再报告边界。
证据的边界
林澈最终面对的不是一个可以脱离背景的数字。有限样本会波动，收入与就业记录可能误测，不同合理的定义也可能得到不同估计。窄的统计范围不能修复遗漏变量，宽的范围也不等于项目毫无作用。
因此，她给决策者的表述必须同时说明研究对象、处理、比较、时间和限制。若比较组没有重叠，或结果记录系统性缺失，最诚实的结论不是“模型失败”，而是现有资料不足以支撑强因果判断。
南桥任务
现在请你替林澈写一张研究卡，不要编造任何项目结果。让没有参与过研究的人也能看懂：你要比较什么，未完训者为何可能提供反事实，以及哪一个替代解释最值得继续调查。
提交前，回看你的语言是否与证据强度相称。若对象、处理、数据口径或比较依据仍说不清，就应回到研究设计，而不是急着让软件给出一个系数；清楚地缩小结论，比含糊地扩大结论更有价值。
- 写出目标对象、处理状态、主要结果和观察时间。
- 指出一个最可能的处理前混杂因素，以及你如何测量或回应它。
- 说明比较组为何可能有用，并写出它仍可能失败在哪里。
- 区分获邀、实际接受方案和完训效应，报告相应的结论边界。