计量经济学与其他统计领域之间在哲学，方法论和术语上的主要区别是什么？

计量经济学与传统统计学有很大的重叠，但是经常使用它自己的术语来表示各种主题（“标识”，“外生”等）。我曾经听过另一领域的一位应用统计学教授的评论，该术语经常是不同的，但是概念是相同的。但是它也有自己的方法和哲学上的区别（想到了赫克曼的著名论文）。

计量经济学与主流统计之间存在哪些术语差异？这些领域在哪些方面会发生变化，而不仅仅是术语？

在某些术语上存在差异，同一事物在不同学科中被称为不同名称：

1. 生物统计学中的纵向数据是对同一个人的重复观察=计量经济学中的面板数据。
2. $1/(1+\exp[-x'\beta])$$x$
3. $M$

存在术语差异，其中同一术语在不同学科中用于表示不同的事物：

1. $x'\beta$
2. 可靠的推论意味着经济学家用异方差校正的标准误（扩展了聚类标准误和/或自相关校正的标准误）和对统计学家而言异常强的方法。
3. 似乎经济学家有一个荒谬的想法，即分层样本是在观察之间选择概率不同的样本。这些应称为不等概率样本。分层样本是指根据抽样之前已知的特征将总体分为预定组的样本。
4. 计量经济学家的“数据挖掘”（至少在1980年代的文献中）曾经表示多次测试和与之相关的陷阱，这些在Harrell的书中得到了很好的解释。计算机科学家（和统计学家）的数据挖掘程序是在数据中查找模式的非参数方法，也称为统计学习。

我认为计量经济学的独特贡献是

1. 处理内生性和指定不正确的回归模型的方法，如mpiktas 在另一个答案中所解释的那样，认识到（i）解释变量本身可能是随机的（因此与回归误差相关，从而在参数估计中产生偏差），（ii）模型可能会遭受遗漏的变量（然后成为误差项的一部分）的困扰，（iii）经济主体对刺激的反应可能没有观察到的异质性，从而使标准回归模型变得复杂。Angrist＆Pischke是对这些问题的精彩回顾，统计学家将从中学习到很多有关如何进行回归分析的知识。至少，统计学家应该学习和理解工具变量的回归。
2. $\chi^2$$s^2 (X'X)^{-1}$
3. 时域中有很多工作是按规则间隔的，这就是收集宏观经济数据的方式。独特的贡献包括集成和协整过程以及自回归条件异方差（（G）ARCH）方法。作为一个一般的微型人，我对这些不太熟悉。

$\beta/\sigma$$\sigma$ 当然，从微观经济学101的角度来看，线性输入的效用是一件很有趣的事情，尽管对半凹函数的某些概括可能是在Mas-Collel中完成的。

$C_p$，DFBETA等），缺少数据的分析（Manski的部分身份确定无疑是不错的选择，但主流的MCAR / MAR / NMAR细分和多重插补更为有用），以及调查统计数据。主流计量学的许多其他贡献已被计量经济学所接受，或者被采纳为标准方法，或者以短期方式被采用：1960年代的ARMA模型在计量经济学中比在统计学中更为知名，因为有些研究生课程最近统计中可能无法提供时间序列课程；1970年代的收缩率估算器/山脊回归已不复存在。尽管经济学家需要更好地意识到引导程序的局限性，但在任何复杂的情况下，1980年代的引导程序都是下意识的反应; 1990年代的经验可能性使理论计量经济学家比理论统计学家开发了更多的方法。2000年代的计算贝叶斯方法在计量经济学中很受欢迎，但我的感觉是参数化太强，过于基于模型，无法与我先前提到的鲁棒性范式兼容。经济学家是否会发现对统计学习/生物信息学的任何使用或在现代统计中非常热门的时空资料都是一个公开的话题。

最好用线性回归来解释，因为它是计量经济学的主要工具。在线性回归中，我们有一个模型：

$X$

观察差异的另一种方法是，可以将其他统计字段中的数据视为iid样本。在计量经济学中，很多情况下的数据都是来自随机过程的样本，而iid只是一个特例。因此，再次使用不同的术语。

知道以上内容通常足以轻松地从其他统计领域跳转到计量经济学。由于通常给出模型，因此不难弄清是什么。我个人认为，机器学习和经典统计之间的术语差异远大于计量经济学和经典统计之间的术语差异。

但是请注意，在没有计量经济学的情况下，有些术语在统计中含义复杂。主要的例子是固定效应和随机效应。维基百科有关这些术语的文章混乱不堪，将计量经济学与统计数据混为一谈。

一个微妙的区别是，经济学家有时将模型中误差项的含义归因于。在“结构”经济学家中，尤其如此，他们认为您可以估计代表兴趣或个体异质性的结构参数。

一个典型的例子就是概率。尽管统计学家通常对导致误差项的原因不了解，但经济学家经常将回归中的误差项视为代表偏好的异质性。对于概率问题，您可以为妇女加入劳动力的决定建模。这将由各种变量确定，但误差项将代表人们对工作偏好的不同程度所无法观察到的程度。

当然，任何宽泛的陈述都注定会过于宽泛。但是我的经验是，计量经济学关注因果关系，而统计学对预测越来越感兴趣。

在经济学方面，您无法避免“信用革命”文献（主要是无害计量经济学等）。经济学家专注于某种治疗对某种结果的影响，并着眼于政策评估和建议。

在统计方面，您会看到数据挖掘/机器学习的兴起以及在在线分析和遗传学上的应用。在这里，研究人员对预测行为或关系更感兴趣，而不是对它们进行精确解释。他们寻找模式，而不是原因。

我还要提到的是，统计学家传统上对实验设计更感兴趣，可以追溯到1930年代的农业实验。

我注意到，与所谓的主流统计科学计量经济学家相比，计量经济学家似乎不愿使用基于示意图或基于数据的图表。回归的覆盖面就是一个主要的例子，回归的覆盖面在经济计量学中自然比其他地方更为重要。统计学家对回归的现代介绍着重强调了绘制数据和绘制回归结果（包括诊断图）的全部价值，而计量经济学文本中的处理显然更为正式。计量经济学的领先文本并不包含很多图表，也没有大力提升其价值。

很难避免看起来不外交或更糟的风险，对此进行分析，但是我猜想以下因素会有所贡献。

1. 渴望严酷。计量经济学家倾向于对数据学习抱有怀疑或敌意态度，并极力主张基于正式测试的决策（只要他们不出定理）。这与基于“理论”的模型偏好有关（尽管这可能意味着某位经济学家先前在一篇论文中曾提到过一个预测变量，而不是谈论数据）。

2. 出版惯例。经济学或计量经济学期刊的论文内容繁重，具有高度程式化的系数，标准误，t统计量和P值表格。在许多情况下，甚至似乎都没有考虑添加图表，如果提供的话，可能会建议审稿人建议删除。这些实践已经一代又一代地嵌入其中，直到它们变得自动化，并在重要级别上采用了严格的约定等。

3. 复杂模型的图形。只要看起来好像没有一个图形将复杂模型与许多预测变量等匹配（实际上通常很难确定），就默认忽略这些图形。

当然，我的建议是手段不同，而且我认为这两种情况都存在很大差异。

与大多数其他定量学科不同，经济学在MARGIN处事。也就是说，边际效用，边际替代率等。用微积分的术语来说，经济学处理“一阶”（以及高阶导数）。

许多统计学科都处理诸如平均值和方差之类的非导数。当然，您可以进入边际和条件概率分布的区域，但是其中一些应用程序也涉及经济学（例如“期望值”）。

它不是计量经济学，而是环境。如果您的似然函数没有唯一的最优值，那么它将同时涉及统计学家和计量经济学家。现在，如果您提出来自经济理论并限制参数化以便确定参数的假设，则可以将其称为计量经济学，但该假设可能来自任何实质性领域。

外生性是一个哲学问题。有关不同观点的比较，请参见例如http://andrewgelman.com/2009/07/disputes_about/，经济学家通常以鲁宾的方式理解这一观点。

因此，简而言之，要么采用老师使用的行话，要么保持开放的态度并广泛阅读。

计量经济学家几乎只对因果推理感兴趣，而统计学家也使用模型来预测结果。结果，计量经济学家更加关注外生性（正如其他人所提到的）。简化形式的计量经济学家和结构计量经济学家以不同的方式理解这种因果关系。

简化形式的计量经济学家经常使用工具变量技术来处理外生性（而统计学家使用IV的频率要低得多。）

结构计量经济学家通过依赖统计学家在工作中罕见的大量理论来对参数进行因果解释。

作为一名统计学家，我更一般地考虑这一点。我们有生物识别和计量经济学。这两个领域都是使用统计数据解决问题的领域。借助生物识别技术，我们可以处理生物/医学问题，而计量经济学可以处理经济学。否则，它们将是相同的，只是不同的学科强调不同的统计技术。在生物识别技术中，大量使用生存分析和列联表分析。对于计量经济学，时间序列被大量使用。回归分析对于这两者都是共同的。在看到了有关计量经济学和生物统计学之间术语差异的答案之后，似乎实际的问题主要是关于术语的，而我实际上只解决了另外两个问题。答案是如此之好，以至于我无法添加任何内容。我特别喜欢StasK的答案。但是作为生物统计学家，我确实认为我们可以互换使用logit模型和logistic模型。我们确实将log（p / [1-p]）称为logit转换。