應該說，我從事的經濟是社會科學和人文學中最為量化的，也是預測能力最強的，估計說是文科方法（除了考古外）的“state of the art”的，但是我（當然不代表所有的從業人士）對於講“經濟的研究是符合科學研究的標準”是惶恐的（我有點懷疑“符合科學規律”的講法，經濟本身當然是符合規律－－“科學”規律的講法有點奇怪－－不然我們不用研究它，我也相信語言，歷史，審美等都有一定的規律。所以各種文科都有存在的必要。）。如果從預測能力的準確來說，經濟學還是遠遠不如自然科學，當然不客氣地說，其他社會科學和人文就更不如了。

怎麼說起呢，應該說，當今經濟學中的主流是向“證偽”這個方向發展的，而“證偽”，光是“數據的提取和分析都是嚴格按照統計共具操作的”，是不夠的，因為再好，再精密的數據提取和分析（下面再說精密程度），也只是描述性的，對理論會有支持，但不是嚴密的支持。經濟學現在是用理論去預測"data generating processes"，再去從數據上比較，所以有"calibration"一詞，應該說是和自然科學的方法很接近了。

而在經濟學中，這一點及其相應工具發揮到最極至的，當屬real business cycle這個流派：他們認為所有的模型都應被數據檢驗，而在檢驗前應該用其他數據去先確認parameters，等於你用一個儀器量度試驗數據前要calibrate（差之毫厘，謬之千里），才能得到合理的data generating process，然後，統計的理論才發揮用處。我當然是對這個方法十分贊同，但我仍然把RBC經濟學家稱為“二流電子工程師”，除了對他們的結論（政府不應做任何事去改變business cycle）不以為然外，更加不以為然的是他們以此結論就以比較傲慢和絕對的態度去影響政策判斷－－影響政策判斷不是他們的錯，因為經濟學家是被公眾期望在理論成熟前（也不知什麼時候成熟）就發表意見，但是傲慢和絕對的態度就不對，須知他們並不如自然科學家（尤其物理學家或化學家）那般幸運，在比較乾淨的環境下工作，他們的中間過程方法，雖然不容易挑漏洞（個人認為這種方法是一大突破），但他們的前提條件：市場交換就能達到最優，是遠不如牛頓三大定律那麼“真”－－除了非常嚴格控制的環境下，那是非常容易被違反的。甚至經濟學的基礎－－理性的人，也開始被質疑。他們這麼嚴密的方法，如果在可重複的環境下，和過去數據最合拍的模型，當然是最容易產生可重複的結果。只不過，環境是否那麼“可重複”呢？那不是試驗室，經濟的數據，很多已是很多力作用後equilibrium的結果，我們是不能（起碼低成本地）把他們分離和控制，然後研究一個力的。如果以自然科學的標準去衡量，經濟學的預測能力非常低（我們可以預測一些危機－－那時在情況已經非常離譜，非常違反一些基本規律，比如布殊邊打仗邊減稅，加上極大的貿易赤字，就可以預測美國跟着來的日子不容易（這些規律不比常識專業多少，很多時是一年級本科就能掌握的）－－時候發生的，一些稍稍偏離的，我們還未能預測很準）。我們預測經濟事件（發生，時間，程度）的能力，比幾千年前的人預測日食的能力還低。當被“證”了90%都是“偽”的情況下，強調自己的xxxxualtion是有多麼優秀的“證偽”能力，是沒有意義的。

不，我不是說這個方向是錯了，我認為，起碼在經濟學，這個方向是很健康的，RBC的方法應該保持，只是問題在對最前提條件的確認上，和工具的精密程度上，我們的空間很大很大。我們當前的工作也有意義（除了養活一些人外），在方法沒有重大突破前，我們仍然需要積累證據，積累想法，於是有重大突破時，後人就有資料可用－－況且“突破”也是一個相對的過程，例如Paul Samuelson和Milton Friedman在方法上，比起Adam Smith和David Richardo來說，當然是突破。

舉出這個例子，我只是想說，在用一種工具前，我們要很清楚一點，工具是有它的assumption的（統計不是萬能藥，要得到一些信息，你必須假定另一些，你是不可能完全無假定就能得到信息的），要和目標和對象相對應，才有用。你用統計前，要清楚你準備用的東西的assumption對你面臨的環境是否robust，你用起來是否嚴格按照說明書，是非常重要的，xj和wasguru的問題，絕對不是壞人搗亂，如果作者沒有考慮，聽者也沒有質疑方法就直接討論結果的翻譯的話，我就很懷疑他們的專業素質。如果一個經濟學的討論是關於純描述性（不是由模型開始）的研究的話，９５％的時間都是在質疑方法過程。

而在社會科學中，我們遠不如自然科學家幸運，例如，在數據的獲取中（即使是一個簡單的cross session模型），我們即使拿到相互獨立的數據，也面臨着measurement error的問題。Measurement error可能對自然科學家不是大問題，因為他們可以重複試驗，但我們從人或其他東西上拿到的數據是one time deal的（重複從同一個人身上拿同一個數據是很大成本的），最多是加大sample，多些人。但人和人是很不同的（race, occupation, age 只是能很粗的劃分人），加多５個人，比多做５次重複實驗得到的效果是差的。而且這些measurment error和數據不是獨立的，只要稍稍一點非線性（如logit模型－－xj在這方面是專家，他應該可以解釋細節），就令分析難度非常大，要用到複雜的工具了（很多人還在研究，看來從charateristic function入手）。但人還可以加，時間呢？在動態分析方面，你基本上的sample size是靠天賜的，一些模型甚至不是sampling frequency invariant的（起碼不可簡單的移植），政府也不會天天發表失業數據，你可以用的東西就那麼多了，加上環境的複雜，就算是得出一些結論，和自然科學家比，精確度是差很遠的。measurement error還是很多問題之一，如果不計較成本，還可以減輕，一些問題是現實範圍內的成本也不能解決的。

面臨的環境不同，就註定工具在學科間不易簡單移植，就註定用前更加小心。就如你可以用艇仔去考察小溪中心的一些性質，但如果用它去考察大海中心的話，很自然就有人提出很多關於安全的問題。如果當時沒有條件有大船的話，艇仔也不適合的話，你就被迫要從岸邊的情況（另一種工具）去推測了，也當然不如小溪準確。但這是不是說明對大海的興趣比對小溪的興趣就低人一等呢？我認為所有對未知的興趣都是平等的，而且都有潛在意義。但硬說艇仔未經改造就適合大海就不對。

我不知這是不是普遍的情況，但從你的帖子中，我多多少少讀出你作為社會科學家面對自然科學家的自卑。那時非常不健康的情緒。數學家一天未能給我們提供適合我們研究對象的工具，一天我們就不能作到和自然科學家比美的精確度，但那不是我們的錯。只要堅持嚴謹的學術標準－－邏輯嚴密，說話有依據，工具使用有依據，對工具的局限誠實面對，就沒有高低之分。相反，不理會適合與否，不細探工具的assumption是否在我們面對的情況下robust與否，就用，潛意識認為自然科學高人一等，形式和工具上向它看齊就萬事大吉（如RBC），是很危險的。如果在有生之年未能看到數學家為你的學科提供足夠“證偽”xxxxulation　工具的機會，寧願嚴謹守着傳統的學術方法，也比亂用工具，或者雖然工具不亂用，但為用了工具而認為安枕無憂的好。工具不用可以，一用就要遵守標準，經得起盤問。成本等等不是藉口－－條件所限，研究還是要做的，但是一定要惶恐，對成果信心不能太足，隨時要有被推翻的打算，因為我們面對的是非常複雜的東西。這也是我非常反對文科傻妞說法的另一個原因－－這個unjustified的偏見會使年輕的文科學生（我們都經過大學時候，都知年輕人都容易受影響），將來的文科學者潛意識產生（unnecessary and unjustified)自卑，另他們認為形式上靠近理科就是好研究，萬事大吉，對他們的學術是非常危險的（最極端的例子，是postmodern對數學物理的濫用）。