علیت در اقتصاد: از چالش هیوم تا روش‌های میل

مسئله فلسفی: چالش هیوم

مسئله مدرن علیت با دیوید هیوم آغاز می‌شود. او در «رساله‌ای درباره طبیعت بشری» (۱۷۳۹) و «کاوشی در خصوص فهم بشری» (۱۷۴۸)، پرسشی بنیادین را مطرح کرد که هنوز پاسخی کاملاً رضایت‌بخش ندارد: وقتی می‌گوییم چیزی باعث چیز دیگری می‌شود، در واقع چه چیزی را مشاهده می‌کنیم؟

پاسخ هیوم فروکاهنده بود. ما توالی‌ها را مشاهده می‌کنیم: شعله به کاغذ برخورد می‌کند، کاغذ می‌سوزد. ما نظم‌ها را مشاهده می‌کنیم: شعله همیشه کاغذ را می‌سوزاند. اما هرگز خود علیت را مشاهده نمی‌کنیم؛ یعنی آن ارتباط ضروری میان شعله و سوختن. آنچه ما علیت می‌نامیم، به گفته هیوم، صرفاً هم‌یوغی دائمی به اضافه عادت به انتظار داشتن است. ما می‌بینیم که A به طور مکرر توسط B دنبال می‌شود و هرگاه A را می‌بینیم، انتظار B را داریم. به عبارتی دیگر، «قدرت علی» که به A نسبت می‌دهیم، فرافکنی ذهن ماست، نه لزوماً ویژگی جهانی.

این مسئله برای پژوهش تجربی مهم است، زیرا نقد هیوم مستقیماً بر آنچه ما انجام می‌دهیم قابل اعمال است. ما مشاهده می‌کنیم کشورهایی با آموزش بیشتر، تولید ناخالص داخلی بالاتری دارند. ما مشاهده می‌کنیم افرادی که دارویی را مصرف می‌کنند، بیشتر بهبود می‌یابند. اما در هیچ‌کدام از این موارد ما مشاهده نمی‌کنیم که آموزش باعث رشد شود یا دارو باعث بهبودی شود. ما همبستگی‌ها را مشاهده می‌کنیم، همان هم‌یوغی‌های دائمی، و می‌خواهیم علیت را استنباط کنیم.

هیوم نمی‌گفت علیت وجود ندارد، بلکه او می‌گفت ما نمی‌توانیم آن را مستقیماً درک کنیم و تنها می‌توانیم آن را استنباط کنیم. استنباط نیز نیازمند مفروضاتی است که فراتر از داده‌ها هستند.

کل تاریخچه استنتاج علّی در آمار و اقتصاد را می‌توان به عنوان مجموعه‌ای از تلاش‌ها برای آشکار، قابل آزمون یا قابل اجتناب کردن آن مفروضات خواند. تصادفی‌سازی، متغیرهای ابزاری، نتایج بالقوه، نمودارهای غیرچرخه‌ای جهت‌دار، هر رویکردی سعی در ایجاد شرایطی دارد که تحت آن بتوانیم از همبستگی‌های مشاهده‌شده به ادعاهای علّی حرکت کنیم. هیچ‌کدام این رویکردها از بینش بنیادین هیوم فرار نمی‌کند: استنتاج علّی همواره شامل چیزی است که ما به داده‌ها اضافه می‌کنیم، نه چیزی که خود داده‌ها به تنهایی در خود دارند.

مغالطه همبستگی-علیت و ارتباط دوسویه

هر دانشجویی می‌آموزد که همبستگی به معنای علیت نیست، اما تعداد کمی عکس آن را می‌آموزند: نبود همبستگی به معنای نبود علیت نیست. هر دو اشتباه در کارهای کاربردی رایج هستند و درک دلیل آن، مسئله‌ای بنیادین درباره الزامات استنتاج علّی آشکار می‌کند.

چرا همبستگی برای اثبات علیت کافی نیست؟

موارد آشنای کتاب درسی شامل سه عامل اصلی هستند:

• مخدوش‌کنندگی (Confounding) یا تورش متغیر حذف‌شده: فروش بستنی با مرگ و میر ناشی از غرق‌شدگی همبستگی دارد، نه به این دلیل که بستنی باعث غرق‌شدن می‌شود، بلکه به دلیل اینکه گرمای تابستان هر دو را افزایش می‌دهد. یک علت مشترک Z باعث ایجاد همبستگی بین X و Y می‌شود حتی وقتی X اثر علّی بر Y ندارد.
• علیت معکوس (Reverse Causation): محله‌هایی که پلیس بیشتری دارند، نرخ جرم بالاتری دارند، اما این نشان می‌دهد که جرم باعث استقرار پلیس می‌شود، نه برعکس. جهت علیت اهمیت دارد و همبستگی به تنهایی نمی‌تواند به ما بگوید که کدام جهت صحیح است.
• تورش انتخاب (Selection Bias): میان بازیگران هالیوود، استعداد و جذابیت فیزیکی به نظر می‌رسد همبستگی منفی دارند و کلیشه «زیبا و احمق» برقرار است. اما این نشان‌دهنده انتخاب است: برای بازیگر شدن، به استعداد استثنایی یا ظاهر استثنایی (یا هر دو) نیاز دارید. شرطی‌سازی بر متغیر مشترک «بازیگر شدن» باعث ایجاد یک ارتباط کاذب بین علل آن می‌شود.

هر یک از این نارسایی‌ها ساختاری مشترک دارد. همبستگی، ارتباط را اندازه‌گیری می‌کند و این سؤال را می‌پرسد: آیا دانستن X چیزی درباره Y به شما می‌گوید؟ اما علیت، این سؤال را می‌پرسد که آیا تغییر Y، X را تغییر می‌دهد؟ اینها پرسش‌های متفاوتی هستند. ارتباط، متقارن است؛ یعنی: Corr(X,Y)=Corr(Y,X). اما علیت متقارن نیست؛ یعنی: X باعث Y شدن به معنای Y باعث X شدن نیست. ارتباط، در حوزه پیش‌بینی است و علیت در حوزه مداخله.

نیمه فراموش‌شده: چرا نبود همبستگی برای رد علیت کافی نیست؟

خطای معکوس، کمتر مشهور است اما به همان اندازه مهم است. یافتن همبستگی صفر بین X و Y به این معنا نیست که X هیچ اثر علّی بر Y ندارد. سه سازوکار دلیل آن را توضیح می‌دهند:

• اثرات غیرخطی (Nonlinear Effects): اگر X از طریق یک تابع U شکل بر Y تأثیر بگذارد، همبستگی خطی می‌تواند دقیقاً صفر باشد؛ درحالی‌که رابطه علّی، قوی است. مثلاً استرس متوسط، عملکرد را بهبود می‌بخشد، اما استرس بیش از حد آن را مختل می‌کند. در این مثال، اگر عملکرد را بر استرس رگرسیون کنید، ممکن است چیزی نیابید. اما هر دو استرس کم و زیاد نسبت به استرس متوسط باعث عملکرد پایین‌تری می‌شوند، بنابراین رابطه علّی است، اما صرفاً خطی نیست.
• مسیرهای خنثی‌کننده (Offsetting Paths): متغیر X ممکن است از طریق کانال‌های متعددی بر Y تأثیر بگذارد که در جهت‌های مخالف عمل می‌کنند. آموزش از طریق انباشت سرمایه انسانی (مثبت) درآمد را افزایش می‌دهد، اما ورود به بازار کار را به تأخیر می‌اندازد و تجربه کاری را در هر سن معینی کاهش می‌دهد (منفی). اگر این اثرات تقریباً یکدیگر را خنثی کنند، همبستگی بین آموزش و درآمد در یک مقطع زمانی ممکن است کوچک باشد، حتی اگر آموزش به طور علّی بر هر دو پیامد تأثیر بگذارد. تجزیه اثرات کل به مسیرهای مستقیم و غیرمستقیم نیازمند تحلیل ساختاری است، نه صرفاً همبستگی.
• اثرات ناهمگن (Heterogeneous Effects): یک اثر درمان ممکن است به برخی افراد کمک کند و به برخی دیگر آسیب برساند. اگر جمعیت به طور مساوی بین کسانی که سود می‌برند و کسانی که آسیب می‌بینند تقسیم شود، اثر متوسط، و در نتیجه همبستگی، می‌تواند صفر باشد. اما این به معنای نبود اثر علّی برای درمان نیست. به این معناست که اثر، ناهمگن است. همبستگی‌های کلان می‌توانند روابط علّی را که در زیرگروه‌های مختلف به طور متفاوت عمل می‌کنند، بپوشانند.

درس عمیق‌تر

همبستگی نه شرط لازم برای علیت و نه شرط کافی برای آن است. شما می‌توانید همبستگی بدون علیت داشته باشید (مخدوش‌کنندگی، علیت معکوس، تورش انتخاب) و می‌توانید علیت بدون همبستگی داشته باشید (غیرخطی بودن، مسیرهای خنثی‌کننده، ناهمگنی). ارتباط آماری بین X و Y در داده‌های مشاهده‌ای تقریباً هیچ چیز درباره آنچه اگر روی X مداخله کنیم رخ خواهد داد، به ما نمی‌گوید.

به همین دلیل استنتاج علّی به چیزی بیش از داده‌ها نیاز دارد. نیازمند مفروضاتی درباره چگونگی تولید داده‌ها است: چه چیزی باعث چه چیزی می‌شود؟، چه چیزی مشاهده می‌شود و چه چیزی مشاهده نمی‌شود؟، چه تغییراتی برون‌زا هستند و چه چیزی مخدوش شده است. این مفروضات را نمی‌توان صرفاً از داده‌ها آزمود و باید با نظریه، دانش نهادی و طراحی پژوهش از آنها دفاع شود.

نخستین تلاش‌های سیستماتیک: روش‌های میل

جان استوارت میل، در نگارش «نظام منطق» (۱۸۴۳)، نخستین چارچوب سیستماتیک را برای استنتاج علّی ارائه داد. «روش‌های پژوهش تجربی» او، حتی اگر به ندرت به صراحت از آنها یاد کنیم، هنوز تأثیرگذار هستند.

• روش تفاوت (The Method of Difference): میل از همه مهم‌تر است؛ دو وضعیت را تصور کنید که از هر لحاظ به جز یک مورد یکسان هستند، آن یک مورد اختلاف شامل حضور یا عدم حضور یک علت بالقوه باشد و در پی آن یک اختلاف، نتایج متفاوتی مشاهده کنیم، آنگاه آن عامل، علت (یا بخشی از علت) این تفاوت است. این، منطق آزمایش کنترل‌شده، یک قرن پیش از آنکه فیشر تصادفی‌سازی را مدل‌سازی کند، است.
• روش توافق (The Method of Agreement): برعکس عمل می‌کند: اگر پیامد یکسانی را در چندین وضعیت مشاهده کنیم که فقط یک عامل مشترک دارند، آن عامل احتمالاً علت است.
• روش تغییرات همزمان (The Method of Concomitant Variation): نیز اشاره می‌کند که اگر دو چیز با هم تغییر کنند، وقتی یکی افزایش می‌یابد، دیگری نیز افزایش می‌یابد، احتمالاً به طور علّی مرتبط هستند.
• روش باقیمانده‌ها (The Method of Residues): علل شناخته‌شده را از یک اثر کسر می‌کند تا آنچه باقی می‌ماند را جدا کند.

با این همه، روش‌های میل یک محدودیت آشکار دارند: آنها نیاز دارند که ما همه علل بالقوه دیگر را کنترل یا رد کنیم. روش تفاوت فرض می‌کند که دو وضعیت، فقط در یک جنبه متفاوت هستند. در عمل، وضعیت‌ها همواره از جهات متعددی متفاوت هستند.

ما نمی‌توانیم همان فرد را هم در حالت مصرف دارو و هم در حالت عدم مصرف آن مشاهده کنیم. ما نمی‌توانیم همان کشور را هم در حالت پذیرش یک سیاست و هم در حالت عدم پذیرش آن مشاهده کنیم.

این مسئله بنیادین استنتاج علّی است و روش‌های میل به جای حل آن، آن را مفروض می‌گیرند. این پرسش که چگونه می‌توان استنتاج‌های علّی معتبری، وقتی نمی‌توانیم همه چیزهای دیگر را ثابت نگه داریم، انجام داد. قرن بعدی اندیشه اقتصادی، کار بر روی روش‌شناسی علت و معلول را به خود اختصاص داد.