将量化模型置于检验之下：方法创新与中美贸易战应用

量化经济模型的核心使命是为政策选择提供反事实预测，但如何评估这些预测的经验可信度始终是方法论上的难题。本文提出了一套基于工具变量（IV）的拟合优度测度方法，用于在任意一般均衡环境中检验因果预测，并估计预测中的平均错误设定程度。

该方法的核心思想是将观测数据中发生的实际变化分解为两部分：（1）政策冲击的因果效应（即研究者关心的反事实问题），和（2）同期发生的其他冲击的因果效应。传统的模型验证方法（如相关性检验、R² 或均方误差）将这两者混为一谈，当非政策冲击占主导时，可能错误地拒绝正确的模型，也可能因聚焦无关矩条件而遗漏真正的错误设定。本文的 IV-based 检验则利用政策冲击变量（shifters）与其他冲击之间的排除限制（与实证文献中估计局部均衡弹性的逻辑一致），通过比较观测数据和模型预测在 IV 上的投影差异，分离出模型在政策因果效应上的错误设定。

作者将该方法应用于 Fajgelbaum et al.（2020, FGKK）关于中美贸易战对美国福利影响的量化预测。使用 FGKK 的量化贸易模型，以实际关税变化作为政策冲击变量，以模型 Jacobian 矩阵构建 IV 份额权重，不能拒绝「FGKK 关于贸易战对美国福利相关变量（出口价格、进口价格和关税收入）的因果影响是正确的」这一原假设。点估计表明，FGKK 模型对美国福利预测的预期偏差在绝对值上很小（约占 GDP 的 0.15%）。该结论通过了统计功效检验——使用与其他结构参数校准的替代模型，IV 检验能够成功拒绝其错误预测。此外，当分变量检验时，进口价格和关税收入的预测可以被拒绝，但出口价格预测不能，提示模型在特定传导机制上可能存在改进空间。

本文的 IV 检验方法为量化经济学提供了一座桥梁：一端是依赖强函数形式假设的结构模型，另一端是利用准实验变异的简约式因果推断。它使研究者能够在承认「一切模型都是错的」的前提下，有针对性地评估模型在特定反事实问题上的「有用性」。