应该说，我从事的经济是社会科学和人文学中最为量化的，也是预测能力最强的，估计说是文科方法（除了考古外）的“state of the art”的，但是我（当然不代表所有的从业人士）对于讲“经济的研究是符合科学研究的标准”是惶恐的（我有点怀疑“符合科学规律”的讲法，经济本身当然是符合规律－－“科学”规律的讲法有点奇怪－－不然我们不用研究它，我也相信语言，历史，审美等都有一定的规律。所以各种文科都有存在的必要。）。如果从预测能力的准确来说，经济学还是远远不如自然科学，当然不客气地说，其他社会科学和人文就更不如了。

怎么说起呢，应该说，当今经济学中的主流是向“证伪”这个方向发展的，而“证伪”，光是“数据的提取和分析都是严格按照统计共具操作的”，是不够的，因为再好，再精密的数据提取和分析（下面再说精密程度），也只是描述性的，对理论会有支持，但不是严密的支持。经济学现在是用理论去预测"data generating processes"，再去从数据上比较，所以有"calibration"一词，应该说是和自然科学的方法很接近了。

而在经济学中，这一点及其相应工具发挥到最极至的，当属real business cycle这个流派：他们认为所有的模型都应被数据检验，而在检验前应该用其他数据去先确认parameters，等于你用一个仪器量度试验数据前要calibrate（差之毫厘，谬之千里），才能得到合理的data generating process，然后，统计的理论才发挥用处。我当然是对这个方法十分赞同，但我仍然把RBC经济学家称为“二流电子工程师”，除了对他们的结论（政府不应做任何事去改变business cycle）不以为然外，更加不以为然的是他们以此结论就以比较傲慢和绝对的态度去影响政策判断－－影响政策判断不是他们的错，因为经济学家是被公众期望在理论成熟前（也不知什么时候成熟）就发表意见，但是傲慢和绝对的态度就不对，须知他们并不如自然科学家（尤其物理学家或化学家）那般幸运，在比较干净的环境下工作，他们的中间过程方法，虽然不容易挑漏洞（个人认为这种方法是一大突破），但他们的前提条件：市场交换就能达到最优，是远不如牛顿三大定律那么“真”－－除了非常严格控制的环境下，那是非常容易被违反的。甚至经济学的基础－－理性的人，也开始被质疑。他们这么严密的方法，如果在可重复的环境下，和过去数据最合拍的模型，当然是最容易产生可重复的结果。只不过，环境是否那么“可重复”呢？那不是试验室，经济的数据，很多已是很多力作用后equilibrium的结果，我们是不能（起码低成本地）把他们分离和控制，然后研究一个力的。如果以自然科学的标准去衡量，经济学的预测能力非常低（我们可以预测一些危机－－那时在情况已经非常离谱，非常违反一些基本规律，比如布殊边打仗边减税，加上极大的贸易赤字，就可以预测美国跟着来的日子不容易（这些规律不比常识专业多少，很多时是一年级本科就能掌握的）－－时候发生的，一些稍稍偏离的，我们还未能预测很准）。我们预测经济事件（发生，时间，程度）的能力，比几千年前的人预测日食的能力还低。当被“证”了90%都是“伪”的情况下，强调自己的xxxxualtion是有多么优秀的“证伪”能力，是没有意义的。

不，我不是说这个方向是错了，我认为，起码在经济学，这个方向是很健康的，RBC的方法应该保持，只是问题在对最前提条件的确认上，和工具的精密程度上，我们的空间很大很大。我们当前的工作也有意义（除了养活一些人外），在方法没有重大突破前，我们仍然需要积累证据，积累想法，于是有重大突破时，后人就有资料可用－－况且“突破”也是一个相对的过程，例如Paul Samuelson和Milton Friedman在方法上，比起Adam Smith和David Richardo来说，当然是突破。

举出这个例子，我只是想说，在用一种工具前，我们要很清楚一点，工具是有它的assumption的（统计不是万能药，要得到一些信息，你必须假定另一些，你是不可能完全无假定就能得到信息的），要和目标和对象相对应，才有用。你用统计前，要清楚你准备用的东西的assumption对你面临的环境是否robust，你用起来是否严格按照说明书，是非常重要的，xj和wasguru的问题，绝对不是坏人捣乱，如果作者没有考虑，听者也没有质疑方法就直接讨论结果的翻译的话，我就很怀疑他们的专业素质。如果一个经济学的讨论是关于纯描述性（不是由模型开始）的研究的话，９５％的时间都是在质疑方法过程。

而在社会科学中，我们远不如自然科学家幸运，例如，在数据的获取中（即使是一个简单的cross session模型），我们即使拿到相互独立的数据，也面临着measurement error的问题。Measurement error可能对自然科学家不是大问题，因为他们可以重复试验，但我们从人或其他东西上拿到的数据是one time deal的（重复从同一个人身上拿同一个数据是很大成本的），最多是加大sample，多些人。但人和人是很不同的（race, occupation, age 只是能很粗的划分人），加多５个人，比多做５次重复实验得到的效果是差的。而且这些measurment error和数据不是独立的，只要稍稍一点非线性（如logit模型－－xj在这方面是专家，他应该可以解释细节），就令分析难度非常大，要用到复杂的工具了（很多人还在研究，看来从charateristic function入手）。但人还可以加，时间呢？在动态分析方面，你基本上的sample size是靠天赐的，一些模型甚至不是sampling frequency invariant的（起码不可简单的移植），政府也不会天天发表失业数据，你可以用的东西就那么多了，加上环境的复杂，就算是得出一些结论，和自然科学家比，精确度是差很远的。measurement error还是很多问题之一，如果不计较成本，还可以减轻，一些问题是现实范围内的成本也不能解决的。

面临的环境不同，就注定工具在学科间不易简单移植，就注定用前更加小心。就如你可以用艇仔去考察小溪中心的一些性质，但如果用它去考察大海中心的话，很自然就有人提出很多关于安全的问题。如果当时没有条件有大船的话，艇仔也不适合的话，你就被迫要从岸边的情况（另一种工具）去推测了，也当然不如小溪准确。但这是不是说明对大海的兴趣比对小溪的兴趣就低人一等呢？我认为所有对未知的兴趣都是平等的，而且都有潜在意义。但硬说艇仔未经改造就适合大海就不对。

我不知这是不是普遍的情况，但从你的帖子中，我多多少少读出你作为社会科学家面对自然科学家的自卑。那时非常不健康的情绪。数学家一天未能给我们提供适合我们研究对象的工具，一天我们就不能作到和自然科学家比美的精确度，但那不是我们的错。只要坚持严谨的学术标准－－逻辑严密，说话有依据，工具使用有依据，对工具的局限诚实面对，就没有高低之分。相反，不理会适合与否，不细探工具的assumption是否在我们面对的情况下robust与否，就用，潜意识认为自然科学高人一等，形式和工具上向它看齐就万事大吉（如RBC），是很危险的。如果在有生之年未能看到数学家为你的学科提供足够“证伪”xxxxulation　工具的机会，宁愿严谨守着传统的学术方法，也比乱用工具，或者虽然工具不乱用，但为用了工具而认为安枕无忧的好。工具不用可以，一用就要遵守标准，经得起盘问。成本等等不是借口－－条件所限，研究还是要做的，但是一定要惶恐，对成果信心不能太足，随时要有被推翻的打算，因为我们面对的是非常复杂的东西。这也是我非常反对文科傻妞说法的另一个原因－－这个unjustified的偏见会使年轻的文科学生（我们都经过大学时候，都知年轻人都容易受影响），将来的文科学者潜意识产生（unnecessary and unjustified)自卑，另他们认为形式上靠近理科就是好研究，万事大吉，对他们的学术是非常危险的（最极端的例子，是postmodern对数学物理的滥用）。