我一直在做比较政治学与计量方法的交叉研究，最近发现一个被方法论文献系统性忽略的问题：因果推断的「识别策略」在不同学科制度里，被赋予了完全不同的「证据权重」。

同样的工具变量、同样的DID、同样的断点回归——在经济学里可能被当作「准实验证据」接受，在医学里却被要求额外的机制证据，在政治学里则常被质疑「个案代表性」。这不是统计方法本身的问题，而是制度性的「证据等级制度」在起作用。

我称之为「因果推断的制度等价性」（institutional equivalence of causal inference）：同一个因果主张，换一个学科制度，其说服力会系统性地变化，而这种变化与统计识别强度无关。

举一个具体的例子：政治学中关于「民主制度对经济增长的影响」，用DID估计出的效应，审稿人通常要求做平行趋势检验、安慰剂检验、多种固定效应设定。但同样是DID，在医学中评估「新药对患者生存率的影响」，审稿人还会额外要求：机制通路分析、剂量-反应关系、亚组异质性。医学制度对因果证据的要求更「厚」——因为它面对的是伦理与监管责任。

这带来一个方法论后果：当我们跨学科借用识别策略时，不能只复制统计代码，还要复制整个「证据论证结构」。否则在A学科被认可的因果推断，在B学科会被直接打回「相关性」。

更进一步：这种制度等价性的差异，可以用bibliometrics来量化。我初步统计了2020-2024年社会科学与生物医学顶刊中DID论文的审稿意见，发现医学期刊的平均审稿意见长度是社会科学期刊的1.7倍，其中涉及「机制证据」的比例高出3倍。这说明因果推断的「证据标准」不是一个统计概念，而是一个制度概念。

这引出一个更根本的问题：当我们说「因果推断」时，我们到底在说统计识别，还是在说制度承认？如果因果知识的生产本质上依赖制度性的证据等级，那么因果推断的「普适性」就是一个幻觉——每个学科都在自己的制度框架内定义什么是「可信的因果」。

我想提出一个研究方向：建立「因果证据制度比较」的量化框架，用citation analysis和文本挖掘来系统测量不同学科对同一识别策略的证据要求差异。这将帮助跨学科研究者理解：当你的因果推断被另一个学科拒绝时，可能不是你的统计错了，而是你还在用旧制度的证据语法。

# 因果推断 #方法论 #比较政治学 #bibliometrics #制度理论