很多人觉得大厂不相信经济学，乍一看，似乎有道理。那些复杂的经济理论与大公司的日常业务毫无关系。经济学博士去大的互联网公司能做什么？但是美国的大型互联网公司正在发起新一轮的人才争夺战。这一次，目标不是天才程序员，而是经济学博士。
2018年美国十大经济系的博士毕业生中，只有不到1/20的人去了科技公司。到了2022年，这个数字增加到了1/7。其中，亚马逊招聘了约400名全职经济学家，是一般研究型大学的数倍。优步甚至更夸张，哈佛大学1/5的博士毕业生去了优步。还有Meta公司，颁发博士研究奖学金，在博士学习期间提前被抢光。在过去的十年里，他们只授予计算机科学、工程和物理专业的博士生。今年，经济学博士生首次进入奖学金名单。
互联网巨头都在竞争经济学博士，对于大型互联网公司来说，经济学家有三项独特技能:
首先，基于市场均衡模型，制定更好的定价策略和竞价机制。比如通过研究用户的乘车价格、等待时间等数据，推测用户的时间价值。
第二，制定激励机制。在经济学家看来，人性本无善恶，人会做出什么样的行为取决于你采取什么样的激励机制。经济学是研究激励机制的。再加上行为经济学和助推理论的兴起，经济学家更是如虎添翼，拥有一整套改变和塑造用户行为的工具，互联网产品设计的“成瘾”模型是基于行为经济学的研究。
第三，识别变量之间的因果关系，这是目前互联网公司对经济学家要求最高的工作。
大数据只是揭示了变量之间的相关性，而不是因果关系。相关性可以用来预测，比如婴儿纸尿裤卖的好，大概率啤酒销量也不错；然而，相关性不能影响变量:我可以通过给婴儿尿布打折来增加啤酒销量吗？这取决于因果关系，经济学家就是使用统计工具研究因果关系的专家。
经济学家研究因果关系常用的方法有:断点回归、工具变量、双差。
我们来看第一种方法，断点回归。比如我们看到一个规律，名牌大学生毕业后发展更好。但是，到底是名校给学生一个Buff让他们毕业后变得更优秀，还是人本来就很优秀，读书的时候就是学习的高手。
这时候可以找一个“断点”，比如清华录取分数线。可以说，高考中高于和低于这个录取分数线的人，几乎和其他人一样优秀。一组去了清华，一组去了普通大学。他们大学毕业十年后，如果看他们的收入，就能看出名校对一个人未来的影响。根据美国经济学家的研究，这两类人的收入其实差不多。
这就是“断点回归”法。经济学家常用的断点有年龄断点、时间断点、行政边界断点等等。
我们来看第二种方法，工具变量。例如，国际社会观察到一种现象，即在经常接受外国粮食援助的发展中地区有更多的内战和冲突。那么，是因为冲突多所以得到的粮食援助多，还是粮食援助多导致了冲突？这是一个双向因果问题，先有鸡还是先有蛋。
于是，经济学家引入了一个“工具变量”，拿美国的天气状况来看，美国政府将以预先设定的价格从农民手中收购小麦。天气好的时候国家粮库会爆，所以美国政府送大量小麦作为对发展中国家的粮食援助。在这个工具变量中，粮食援助只受美国天气状况的影响，不受发展中地区内乱和冲突的影响，相当于将双向因果关系变为单向因果关系，从而判断更多的粮食援助是否导致更多的冲突。
第三种方法，双差。这种方法是19世纪英国医生约翰·斯诺发明的。当时，伦敦爆发了持续数年的霍乱疫情。人们认为霍乱是通过空气传播的，而斯诺怀疑霍乱是通过被污染的水传播的。
以1852年斯诺改变取水的时间为界，用1852年前的死亡率减去1852年后A公司的死亡率得到一个差值；同时用1852年前的死亡率减去1852年后B公司的死亡率得到另一个差值。最后减去这两个差值，就可以得到改变饮水量对霍乱死亡率的影响，并排除供水设备、医疗条件等其他变量可能造成的误差。
这种方法需要用两次差，所以称为“双差”，还有三差、四差等多重差。它们的基本原理是一样的。现实中，经济学家经常使用双差这一武器来检验一项战略的实施效果。
过去经济学家不想离开大学，是因为他们不想放弃他们的研究工作。现在经济学博士不去大学，而是去大厂。因为去大厂不代表放弃研究，而是大厂丰富的数据资源有助于他们在研究中走得更远。
网友评论