图灵Don 2016年10月02日文章的核心观点是：经济学研究的关键在于识别并审视分析背后的基础假设，而非单纯依赖数据本身；选择采信何种假设决定了故事的走向，这是突破研究局限性的核心路径。
经济学分析并非直接从数据中“挖掘”结论，而是基于一系列预设条件（假设）构建逻辑链条。这些假设可能是显性的（如理性人假设、市场完全竞争假设），也可能是隐性的（如数据代表性假设、因果关系方向假设）。
数据崇拜陷阱
误将数据量等同于研究质量，忽视数据生成机制（如样本偏差、测量误差）。例如，用社交媒体数据研究消费行为时，若假设“社交媒体用户代表全体消费者”，可能忽略中老年群体的缺失。
过度依赖统计显著性，忽视经济意义。例如，回归结果中某变量系数显著，但实际效应微小（如GDP增长0.01%），此时统计显著性可能误导政策建议。
模型自洽性陷阱
为追求模型完美拟合数据，不断添加变量或调整函数形式，导致“过拟合”。例如，在预测股市时，若假设“历史价格包含所有信息”，可能构建复杂模型，但实际预测能力极差。
忽视模型假设与现实的冲突。例如，DSGE模型假设“理性预期”和“市场出清”，但在金融危机中，这些假设明显失效，导致模型无法解释现实。
因果关系混淆陷阱
将相关性误认为因果性。例如，发现“冰淇淋销量与溺水率正相关”，若假设“冰淇淋导致溺水”，显然错误；实际因果是“夏季高温”同时推动两者。
忽略反向因果或遗漏变量。例如，研究“教育年限与收入”时，若假设“教育提高收入”，可能忽略“家庭背景”同时影响教育选择和收入水平。
明确假设的边界
对显性假设进行敏感性分析。例如，在CGE模型中，测试不同弹性系数对结果的影响，判断结论是否稳健。
挖掘隐性假设并验证。例如，使用机器学习预测经济指标时，需检验训练数据是否覆盖经济周期的不同阶段，避免“数据穿越”假设。
结合理论验证数据
用理论框架指导数据选择。例如，研究“最低工资影响就业”时，若新古典理论假设“企业会减少低技能岗位”，则应聚焦低工资行业数据，而非全行业数据。
用数据反推理论合理性。例如，若行为经济学理论假设“人们存在损失厌恶”，可通过实验数据验证损失与收益的权重比是否符合理论预测。
采用多元方法交叉验证
结合定量与定性方法。例如，用计量模型分析“贸易政策对产业的影响”后，再通过企业访谈验证机制是否符合实际（如是否通过中间品进口渠道传导）。
使用自然实验或准实验设计。例如，研究“移民对本地工资的影响”时，利用“难民分配政策”作为外生冲击，减少内生性假设的依赖。
保持批判性思维
警惕“故事驱动研究”。例如，若先入为主地认为“技术进步必然提高就业”，可能选择性采信支持该观点的数据，忽视技术替代劳动的案例。
鼓励“假设挑战”。例如，在学术研讨中，要求研究者明确说明“若放松某一假设，结论会如何变化”，避免研究沦为“假设辩护”。
以“大学扩招对收入差距的影响”为例：
结论：经济学研究的价值不在于“证明某个结论”，而在于通过审视假设，揭示现实世界的复杂性。研究者需像“假设侦探”一样，不断追问“这一结论依赖哪些假设？这些假设是否合理？若假设变化，结论会如何？”，才能避免陷入数据或模型的“怪圈”。
