留学申请：跨领域背景知识的重要性

跨领域背景知识的重要性，看诺贝尔经济奖涉及了多少学科领域?

留学申请

我们在美研申请中，常常提到的背景提升有一块重要内容，是前修课(prerequisites)，常见于交叉学科，这也是规划中的一个重点之一。也许你在咨询任何一家留学机构的顾问时，TA会告诉你很多你能够申请的可选专业，然而，当你在大四上半学期真的确定好某个专业去申请的时候，却往往发现很多你心仪的交叉学科根本无法申请，尤其是打算转专业的学生。因为你的prerequisites根本不够，即便学校没有强制要求，那么它的缺失依然会使得你的申请处于劣势中。

跨领域、跨学科的prerequisites，只有你在大学的前三年就加入自己的申请规划并及时执行，才能达到效果。为什么如今跨领域的背景如此重要，也许今年诺贝尔经济学奖得主的故事，会让你有所领悟。

诺贝尔经济学奖得主之一，美国麻省理工学院教授安格里斯特(Joshua D. Angrist)。

诺贝尔经济学奖过去一直由美国机构主导，这次也不例外，三名获奖者均在位于美国的大学工作。

戴维·卡德(David Card)出生于加拿大，目前是加州大学伯克利分校(University of California, Berkeley)的经济学教授;

乔舒亚·D·安格里斯特(Joshua Angrist)出生于美国，目前在麻省理工学院(Massachusetts Institute of Technology, MIT)工作;

吉多·W·因本斯(Guido Imbens)出生于荷兰，目前在斯坦福大学(Stanford University)工作。

就在今年2021年10月11日，诺贝尔经济学奖得主公布之后，推特上一众社会科学学者异口同声地发出了感慨：「革命胜利了!」。

他们口中的革命，是发轫于统计学，并逐渐扩散到社会科学各个领域，由因果推断(causal inference)方法驱动，悄然间改变了实证研究基本面貌的「可置信性革命(credible revolution)」。

David Card、Joshua Angrist和Guido Imbens三位教授为社科领域提供了关于劳动力市场的新见解，并展示了可以从自然实验中得出关于因果关系的结论，他们的方法已经扩展到其他领域并彻底改变了实证研究。他们的开创性研究，极大地动摇了经济学界对于传统方法的信心。比如根据经典理论，最低工资的上涨必然导致就业率降低，移民的涌入必然降低市场薪资水平。但现在，实证结果跟理论预测相悖，那我们应该去质疑自然实验的效力，还是去相应地修正理论?三位诺奖得主不约而同地选择了后者。

在他们看来，基于随机处理分配得到的估计值，才是检验因果关系的黄金标准，要远比抽象的逻辑推导更为贴近现实。两者出现的偏差，恰恰说明经典理论，以及由此而来的结构式估计(structural estimation)，可置信度(credibility)远远没有我们想象得高。经济学想进一步发展，想对现实有更大的指导意义，需要一场可置信性革命，需要以实验和自然实验作为理论的试金石。

革命永远激动人心，哪怕在经济学家中也是如此。追随着他们三人的脚步，经济学界对于自然实验的热情变得空前高涨。断点回归(regression discontinuity)、控制函数(control function)、合成控制法(synthetic control)等新的识别策略层出不穷，渗透的领域也日益广泛。

过去三十年间，Card和Angrist在劳动经济学和教育经济学上不断地将知识前沿向前推进：技能培训到底有没有用(Ashenfelter and Card, 1985)?小班教学的收益有多大(Angrist and Levy, 1999)?哪种择校模式更有效率(Abdulkadiroğlu et al., 2017)?他们的工作深刻地重塑了美国从联邦到地方的政策制定，也为各个国家的无数后来者所效仿。

其次，出乎意料的实证结果破除了经济学家对经典理论的迷信，让行为经济学等一批「旁门左道」获得了更多注意力，也迫使理论研究者更注重从现实中汲取灵感。最后，也是最重要的是，新一代经济学家们意识到，你不用再学习复杂的动态一般均衡模型(DSGE)，也能做出极具价值的研究。你需要的，只是一本《基本无害的计量经济学》(Angrist和Pischke合着的教材)，一个好用的统计软件，以及一次还未被人注意到的自然实验。

没过多久，从事定量研究的政治学家和社会学家们也感受到了革命的召唤，而他们的皈依某种程度上甚至比经济学家们还要更加彻底。这两个学科本身没有结构式估计的传统，因此范式转换的成本更低，更愿意接受被经济学家视为异端的工具，比如联合选择实验(conjoint experiment)、贝叶斯推断(Bayesian inference)和中介分析(mediation analysis)。新方法的出现，打开了通往无限可能的大门，让不少子领域重焕生机。

因果推断在社会科学中的成功，反过来又让更多统计学家和计量经济学家对相关问题产生了兴趣。他们的加入，促进了因果推断和统计学其他领域的交流，加速了新方法的生产和应用。Imbens近年的工作就主要集中于这一方面。他跟合作者一道将各类机器学习算法引入了因果推断(Athey and Imbens, 2019)。机器学习的灵活性，让我们获得了对误差更加稳健的识别策略，也得以更加具体地刻画处理效应在样本中的分布，设计更加有效率的处理分配。

当年，计算机科学巨匠Judea Pearl提出的因果图模型(Pearl, 2009)，被政治学家入江直树用于研究德国仇恨犯罪的蔓延(Egami, 2019);经济学家Manski对部分识别(partial identification)的思考(Manski, 2000)，启发了流行病学家对抽样方式的改进(Crawford et al., 2018)。

如今，因果推断已经成为了一座各个学科汇聚一堂的大熔炉：统计学家、社会科学家、计算器科学家和医学工作者们，一边立足本学科的需求提出新的问题，一边从其他学科那里借鉴洞察和经验，时不时合作进行难题攻坚。大数据时代的到来，让因果推断有了更广阔的用武之地。大数据能承载更复杂的工具，导向更准确的估计，进而帮我们筛选出更有解释力的理论;理论再为下一步的研究设计指明方向。社会科学家关于人类行为的知识正在以空前的速度积累，也许很快就能给人类社会本身带来天翻地覆的变化。

总结

这一系列研究的推进，以及中间涉及的学科，很容易发现，在未来的各行各业，永远不可能闭门造车，只专注于单独一门学科。虽然不可能所有的学科都精通，但是必备的跨学科知识的确是不可少。

正如在我们美研的申请中所需要的prerequisites，也并不是要求难度特别高的专业课，而是你在未来的研究生阶段学习和做研究所必备的技能，比如编程能力，比如数学能力，统计学知识等，还比如某些跨学科所需的生化基础课等。

如果提前规划，那么多种途径、合理分配自己的时间，从大一到大三安排好时间去学习，完全不是一件难事，你所需要的，就是提前做好美研留学申请的整体规划。也欢迎加入我们的社群，及时了解更多的留学申请和规划信息。