【研討會訊】2025年年會會前課程

台灣經濟學會2025年年會 會前課程

時間：2025年11月28日(星期五)13:00-17:20

地點：臺大社科院

主辦單位：台灣經濟學會 臺大社科院 臺大經濟系 國科會

報名網址：https://forms.gle/cD9yXxry2m8QX8cK6

【課程一】

主題：基於時間序列的因果推論方法

主講人：楊睿中

  國立臺灣大學經濟學系副教授

  研究興趣包括計量經濟學、以及氣候變遷的經濟學

【課程二】

主題：實驗經濟學的最新發展：重現性與群眾研究（Replications and Crowd Research）

主講人：王道一

  國立臺灣大學經濟學系特聘教授

  研究興趣包括實驗經濟學、神經經濟學和行為賽局論

..........................................................................

【課程一】基於時間序列的因果推論方法(可線上參與，線上連結將於課程活動幾天前發送給報名者)

時間: 2025/11/28(五) 13:00 -- 15:00

地點: 台大社科院302教室

因果推論是一種研究因果關係的科學方法。與傳統的相關性分析不同，因果推論專注於探究當某個現象（原因）發生變化時，另一個現象（結果）是否也會產生具體的變化。因果推論的方法不論是在人工智慧、醫學、社會科學或是經濟學，都有非常廣泛的應用。

因果推論的最大挑戰在於反事實分析。在大多數的情況下，我們無法同時觀察同一個體在不同處理方案下的結果。這一問題被稱為「因果推論的基本問題」。許多時候，研究者只能依賴對照組和實驗組的比較，通過 difference-in-differences，或是 synthetic control 等計量方法，估計變數間的因果關係。

然而，在許多重要的研究問題之中，我們沒有辦法找到合適的對照組。例如，如果我們想要研究 2020 年的 COVID-19 疫情對某國家經濟成長率的衝擊，由於COVID-19在 2020 年對全世界的每一個國家都有直接或間接的深遠影響，我們可能就找不到未受影響的國家作為對照組。又或者如果我們想要研究某個全國性的政策，由於政策影響了國內每一個人，我們也找不到未受影響的國人作為對照組。

在缺乏合適的橫斷面資料做為對照組時，我們只能改考慮縱貫面資料，利用時間序列方法估計因果關係。目前文獻中已經有數種基於時間序列的方法可以估計因果關係。但不同的方法，背後的理論假設都不同，在實證方面，適合處理的問題也不一樣。

在這次演講中，我將介紹幾種重要的，基於時間序列的因果推論方法。包括 Box and Tiao (1975) 的 interrupted time series、Jorda (2005) 的 local projections、Brodersen et al. (2015) 的 CausalImpact、以及 Taylor & Letham (2018) 的 Prophet。

最後，我將說明台大財金系陳宜廷教授、中研院經濟所楊子霆教授、以及我本人於近期共同開發的 Synthetic Historical Control 方法，並提供實際的例子。

【課程二】實驗經濟學的最新發展：重現性與群眾研究（Replications and Crowd Research）(英語演講) (可線上參與，線上連結將於課程活動幾天前發送給報名者)

時間: 2025/11/28(五) 15:30 -- 17:20

地點: 台大社科院101教室(和碩講堂)

經驗研究與實驗結果是否可重現？過去研究者普遍假設已發表的結果能經得起時間考驗，但心理學家 Bem（2011）的論文揭示了傳統統計實務中的缺陷。該研究（很可能透過「p值操控（p-hacking）」及其他技巧）展示人們似乎能「預測未來」，透過九個實驗、超過一千筆觀察數據得出顛覆直覺的結論。此結果震驚了社會科學界，促成了 Open Science Collaboration（2015） 對 100 篇實驗心理學期刊論文進行重現性檢驗。不幸的是，他們發現僅有 36 篇 能被成功重現，即使在重現成功的情況下，其效果量（effect size）也不到原始研究的一半。

經濟學的表現略佳。Camerer 等人（2016） 對 2011–2014 年間發表於經濟學四大頂尖期刊的 18 篇實驗室研究進行重現，成功率達 11/18（約 61%），且效果量約為原始結果的 66%。然而，Brodeur 等人（2016） 分析數十年來發表於 AER、QJE 與 JPE 的實證研究，發現 z 統計值大量集中於 1.96 左右，顯示有大量「失蹤」的 p 值（0.25–0.10）被「補救」至 0.05 以下。由此可見，經濟學並未能倖免於席捲社會科學的「重現性危機（replication crisis）」。

這場重現性危機，主要源於激勵機制的扭曲：包括期刊的發表偏誤（publication bias）、編輯對新穎性（novelty seeking）的偏好，以及研究者的經費限制——三者皆屬激勵問題。為解決此問題，學界提出多種方案，成效不一。

首先，開放科學（open science）倡議要求公開數據與程式碼，允許他人自願檢驗研究的可重現性。

其次，許多期刊開始制定資料政策（data policy），要求作者在發表條件中提供完整資料與程式碼。例如，Fisar 等人（2024） 報告指出此政策大幅提升了 Management Science 的研究可重現性。

第三，學界鼓勵各種重現實驗（replication attempts），以辨別哪些研究能經得起時間的考驗。Lin 等人（2020） 顯示，經典實驗室研究能成功在 MobLab 平台的課堂實驗中重現，而 Journal of the Economic Science Association 也專門邀稿發表重現性研究。European Economic Review 更開設「重現性研究專欄」，甚至接受重現研究的事前提案（replication proposals），承諾於完成後刊登。

第四，許多實驗經濟學者開始**預先登錄（pre-registration）**實驗設計以避免 p-hacking，而 Journal of Development Economics 甚至設立了「Registered Report」專欄，承諾不論結果如何皆予發表。

最後，全球各地的研究者也進行相似的研究，以避免結果過度偏向所謂的 WEIRD（Western, Educated, Industrialized, Rich, Democratic） 文化群體。

然而，這些改革仍面臨重大挑戰。由於學術界仍重視「新穎性」作為創造力的象徵，研究者幾乎沒有誘因去進行重現性研究。預先登錄可能反而成為入門門檻，有利於資深學者而不利於新進研究者；此外，實際上很少審稿人會詳細檢查登錄內容，導致此制度未必能真正根除 p-hacking（因為研究者仍可能登錄大量模糊或無關的內容）。更糟的是，鮮少有研究者具備充足經費進行大規模或跨國重現實驗。

儘管如此，近年興起的**群眾研究（crowd research）**帶來了新的希望。全球數百名研究者可協作進行大規模重現研究，或集體檢驗數千篇論文的計算可重現性。例如，Open Science Collaboration（2015） 即由數十個實驗室共同完成；Fisar 等人（2024） 的研究更有超過七百位作者，組成 Management Science Reproducibility Collaboration。Camerer 等人（2016） 與後續研究發現，預測市場（prediction markets），特別是由專家參與的市場，能準確預測哪些研究結果可被重現。多項其他嘗試目前亦在頂尖期刊審查中（R&R）。

期望在未來，重現性危機能透過**群眾的智慧（wisdom of the crowd）**逐步化解。