主题：【原创】经济学的经验研究方法 -- Dracula

Instrumental Variable不会导致multilinearity吧。当然如果你的IV比较弱，standard error会变得很大。如何取舍取决于你研究的目的是什么。如果你想证明一个hypothesis，或者想发文章在很好的刊物，那么就想办法多找数据，或者找更好的instruments。如果你是搞政策分析或者搞预测，必须要有个答案，那就是个根据具体情况主观判断的问题，不过你可以根据数据对distribution作一些假设，然后用Montocalo simulation来看一下bias可能有多大，帮你作出决定。

2SLS是GMM的一个特例。我读过的使用IV的研究中，好象都是使用2SLS，没有使用LIML的。它们的asymptotic distribution我记得是一样的，因此只要你数据比较多，结果应该是很接近的，使用哪个没有实际区别。如果结果相差很大，说明你的instruments有问题，很可能哪个离真实的结果都相差比较远。因为我从来没有用过LIML,如何取舍我也不清楚。就发表文章来说，reduced-form那一派关心的是你研究的design，identification，具体的统计方法并不重要。我的建议是随大流，使用2SLS，如果使用LIML，又没有特别的理由，审稿人可能认为你是data mining，2SLS得不到你想要的结果才换方法。

关于用structural办法估计return to schooling，这是一篇综述文章，发表在European Economic Review.

外链出处

尤其是使用辅助变量的处理方法源远流长。

哈佛大学的前经济系主任James Stock就有文章考证过，经济学家在1925年就已经开始使用辅助变量来解决供给和需求的内生关系。而经济学家Philip G. Wright很可能就是IV方法的最早的发明者和使用者。

伟大的经济学先驱Philip G. Wright

而他的儿子Sewall　Wright，20世纪最重要的基因统计学家，也可能对此有贡献。

20世纪最重要的基因统计学家Sewall Green Wright (December 21, 1889 – March 3, 1988)

外链出处

这个可以看James Stock文章的联结（外链出处)

搞学问有门户之见，是对自己智力发展的限制。

有点偏颇了。相反比较客观的是，实际上econometrics是对causality，endogenity，neutrality，stationarity等等研究最活跃的学科，我本人反而恰巧是做baysian 人工智能的，应用是生物医学信息学。具体到Judea Pearl的Causality，首先要说的是，他是从学习bayansin 网络的结构引出的问题，往简单说：一个用图表示的变量链接图，其变量之间的链接表示dependceny关系，很多情况下，图的结构不一样，有可能他推理的结果是一致的，那么那个变量连接才是真的呢（表示causal relationship），或者变量之间的箭头方向是什么呢？他假设，假如没有隐变量，并且已知一个图，那么有些因果关系（变量之间的箭头方向）还是可以确定的。Judea的工作在于提供一个框架来讨论这个因果性的问题，但是并没有解决发现因果性的问题（怎么可能解决，这个本身就是科学的终极问题）。同时，要指出的是，实际上Judea肯定是阅读过economcetrica领域工作，比如他在他的causality里面就提到了著名的Granger（200？年经济学诺奖和Engle一起） causality，但是也可以遗憾的说，他对economcetrica，统计学领域在这一方向理论上的最新进展至少没有完全体现在他的老版本里面，而他本人是承认causality在其他领域的重要性的，时间上，Judea是2000年提的，而grange causality是1969年发表的。

楼主的说法还是中肯的，其关于structural model和reduceformmodel的讨论，可以见于一般的econometria教材，比如说，Hamilton的那本。本人作为人工智能研究者，认为人工智能的发展，主流观点也是认为，正是因为有了统计学等学科坚实的基础，才让人工智能成为一门科学。人工智能还应该在并且越来越在这个方向发展。