با اینکه در بخش‌های پیشین، بر پایه شواهد تجربی بحث کردیم، عمده تمرکز ما به استدلال قیاسی معطوف شده بود، اما بیشتر استدلال‌های بی‌پایه و اساسی که در علم اقتصاد برخورد می‌کنیم از نوع قیاسی نبوده، بلکه ادعاهایی درباره «واقعیات» هستند، یعنی داده‌ها چه چیزهایی نشان می‌دهند؛

دعوت به اقتصادخواني
كار با داده‌هاي اقتصادي و علم آمار


بنابراين در بخش‌هاي بعدي می‌خواهیم نكاتي را گوشزد كنيم تا خود را در برابر چنين ادعاهايي حفاظت نماييم. با خواندن مطالب این بخش‌ها همچنين درك بهتري پیدا می‌کنید كه اقتصاد به چه چيزهايي مي‌پردازد. از آنجا كه اقتصاد علمي تجربي است، اقتصاددان‌ها بيشتر وقت خويش را صرف اندازه‌گيري ميزان اثرات پيش‌بيني شده و همچنین آزمون تئوری‌ها در برخورد با مشاهدات مي‌كنند. در نظرسنجي اخيري كه از اقتصاددانان آمريكايي جوان شاغل در ده دپارتمان برتر اقتصاد انجام شد حدود نصف آنها عمدتا كار تجربي و تقريبا يك سوم آنها تركيبي از كار تئوريك و تجربي مي‌كردند. اين ايده كه علم اقتصاد «صرفا يك مشت تئوري» است، قضاوتي نابجا است كه از نگاه به دروس اقتصاد مقدماتي به دست آمده است چون كه آنها بر زنجيره‌هاي استدلال قیاسي متمركز شده‌اند.

1- نقش بررسي‌هاي تجربي در علم اقتصاد
يك دليل اينكه چرا كارهاي تجربي در اقتصاد خيلي مهم است به اين خاطر است كه همه آنچه تئوري اقتصادي به ما مي‌دهد معمولا جنبه كيفي و نه نتايج كمي دارد. تئوري اقتصادي در حالي‌كه مي‌تواند به ما بگويد اگر x اتفاق بيفتد، قيمت‌ها بالا خواهد رفت و اگر y اتفاق بيفتد، توليد كاهش خواهد يافت و از این قبیل، اما نمي‌تواند بگويد ميزان اين تغييرات چقدر است. در عين‌حال اغلب همين پرسش «چقدر» است كه اهمیت دارد. اگر تئوري به ما مي‌گويد افزايش نرخ بهره، بيكاري را «موقتا» افزايش خواهد داد، اطلاعات كافي به ما نمي‌دهد كه تصميم بگيريم آيا با افزايش نرخ بهره موافقت يا مخالفت كنيم. بيشتر مردم مي‌خواهند بدانند بيكاري چقدر و چه مدت افزايش خواهد يافت و تنها شواهد تجربي است كه توانايي حل اين مساله را دارد.
دليل ديگري كه چرا بر كار تجربي تاكيد مي‌كنيم اين است كه کار تجربی صرفا خدمتكاري ساده نيست كه جزئيات كشف نشده و باقي گذاشته تئوري شاهانه را روشن مي‌كند. كار تجربي، ارباب يا قاضي نيز هست، يك نوع داوري كه ورود برخي تئوري‌ها به درون حوزه مجاز را خوشامد مي‌گويد و ساير تئوري‌ها را به جهان مادون مردودي‌ها مي‌فرستد؛ بنابراين كنار گذاشته مي‌شوند. (قطعا آنچه گفتيم حالتی آرماني را توصیف می‌کند؛ برخي تئوري‌ها در عين حال که ضرباتي از شواهد رد شده مي‌خورند بي‌دغدغه به حيات خود ادامه مي‌دهند، اما نه براي هميشه.)
تمام كاري كه استنتاج‌ها مي‌كنند باز كردن دلالت‌هايي است كه در فروض مدل وجود دارد. اگر اقتصاددانان قواعد منطقي را به درستي به كار ببرند، پس نتيجه‌گيري‌هاي آنها نيز درست است، اما درباره فروض چه مي‌گوييم؟ آنچه اهميت دارد درستي يك فرض به معناي مطلق آن نيست، بلكه فقط کافی است براي مقصود مد نظر ما تا حد كفايت درست و دقيق باشد. محرز شدن آن هم زماني ميسر است كه تئوري ساخته شده با آن فروض، با شواهد تجربي سازگار باشد.

2- انواع شواهد تجربي
چندين نوع شواهد تجربي وجود دارد كه براي برآورد ميزان اثر متغير و آزمون تئوري‌ها استفاده مي‌شوند.

حكايت‌ها
همه ما با شيوه گزارش‌گيري رسانه‌ها و گفت‌وگوها و مصاحبه‌هاي خبري هر روزه آنها به شكل حكايت و سرگذشت آشنا هستيم. شيوه‌اي كه با آب و تاب همراه بوده و سرگرم‌كننده است و به ذهن شنونده فشار نمي‌آورد و مي‌توان از آن براي «اثبات كردن» دقيقا هر چيزي استفاده كرد. هلن سنگدل با ارائه مدرك نشان مي‌دهد كه گيرندگان كمك‌هاي رفاهي يك مشت آدم علاف هستند چون او كسي را مي‌شناسد كه شغل خود را ترك كرد تا كمك‌هاي رفاهي دريافت كند و ساراي دل‌نازك واكنش نشان مي‌دهد كه او شخصي را مي‌شناسد كه دنبال شغل مي‌گردد، اما نمي‌تواند پيدا كند و اگر كمك‌هاي رفاهي نبود از گرسنگي مرده بود. آنچه هر دوي آنها مي‌گويند درست است، اما در شيوه برخورد با مساله كه گويي فقط گفته آنها درست است اشتباه مي‌كنند. آنچه آنها زور مي‌زنند بگويند اين است كه دست كم يك شخص در فهرست كمك‌هاي رفاهي، علاف و هرزه‌گرد است و دست‌كم يك نفر كه واقعا مستحق كمك است داريم. چه كسي اين را منكر شده است؟ استدلال کردن فقط از يك مورد، توان خسارت‌زايي زيادي دارد و این تنها به علم اقتصاد محدود نمي‌شود. اينكه صلح و سازش چمبرلين با هیتلر در انتهاي دهه 1930 اشتباه بود به اين معنا نیست كه همه كوشش‌ها براي جلوگيري از وقوع جنگ اشتباه است.
رويدادهاي برجسته
رويداد برجسته ارتباط نزديكي با حکایت‌ها پيدا مي‌كند. آن هم شبيه بسياري حکایت‌ها، متكي بر يك مورد است، اما موردي كه يك رويداد به چشم‌آمدني (براي مثال بحران بزرگ دهه 1930)است. رويداد برجسته دو برتري نسبت به حکایت معمولي دارد. نخست هر تئوري كه سعي در تبيين يك دسته معين رويدادها دارد، اگر قادر به تبيين رويدادی برجسته كه در آن دسته جاي مي‌گيرد نباشد شكست تماشايي مي‌خورد. دوم اگر چه اصولا يك رويداد برجسته لزوما علت برجسته‌اي ندارد (بيشتر اوقات سقوط بهمن از يك گلوله کوچک برفي شروع مي‌شود،) در بيشتر موارد عامل اصلي يك رويداد برجسته، چيزي است كه از درون داده‌هاي ما فرياد مي‌زند و نه چيزي كه به آرامي در گوشمان زمزمه مي‌شود و با توجه به سر و صداي پيش‌زمينه اصلا شنيده نمي‌شود؛ بنابراين اگر چه رويداد برجسته را اغلب برحسب اعداد يعني علم آمار توصيف مي‌كنند، آن غالبا پيام خويش را بدون كمك گرفتن از فنون پيچيده آماري به ما مي‌رساند.
پس در حالي‌كه گزارش‌ها درباره رويدادهاي برجسته واقعا حکایت‌گونه هستند، آنها دست‌كم در سطح آموزشي، چيزهاي بيشتري از حکایت معمولي براي ياد دادن به ما دارند و مي‌توان اين دفاع جانانه را از آنها كرد كه وقتي رخ مي‌دهند اقتصاددانان قويا و شايد بيش از حد تحت‌تاثير آنها قرار مي‌گيرند، اما مشكل در «وقتي كه رخ مي‌دهند» است. بر اساس تعريف، آنها رويدادهايي نادر هستند؛ بنابراين اقتصاددانان بايد معمولا به دنبال چيز ديگري بگردند.

علم آمار
همانطور كه يك ضرب‌المثل مي‌گويد: «حکایت»، اسم مفرد براي «داده‌ها» است. اگر هلن سنگدل فقط يك مورد از كلاهبرداري در كمك‌هاي رفاهي نیاورده بود، بلكه هزار مورد مي‌آورد و اگر اين هزار مورد يك نمونه فراگير بود، پس او استدلالي قوي داشته است. براي تعميم‌هاي معتبر، بايد به دنبال موردهاي زيادي بگردیم و اصولا در حالي‌كه مي‌توان هر کدام از موارد را خيلي سريع يكي پس از ديگري خواند، چنين كاري نه فقط به شدت زمانبر بوده، بلكه از حافظه شنونده و قطعا شكيبايي وي بيرون است. پس نيازمند خلاصه كردن اين موردها به هر طريقي هستيم. برخي اوقات مي‌توان اين كار را بدون توسل به اعداد كرد، يعني مثلا مي‌گوييم «مردم ميل به زندگي در محيط خانوادگي دارند.» اما اگر بخواهيم دقيق‌تر حرف بزنيم نياز به كمي كردن است؛ براي مثال با ذكر درصدی از مردم كه در محيط خانوادگي زندگي مي‌كنند؛ يعني از علم آمار استفاده مي‌كنيم.
اينكه با کمک علم آمار می‌توان داده‌ها را به شكل فشرده توصيف کرد استفاده مهمي از اين علم بوده، اما تنها مورد استفاده نيست. استفاده ديگر، كندوكاو و عميق شدن در آن چيزي كه به آساني قابل‌مشاهده ‌باشد و استنتاج روابط زيربنايي است. براي مثال اينكه آيا تفاوت درآمد بين يك نمونه از نيويوركي‌ها و يك نمونه از شيكاگويي‌ها احتمالا فقط به علت ويژگي‌هاي نمونه‌ها يا تفاوت‌هاي واقعي درآمدها بوده است و اينكه آيا تغييرات يك متغير، مثلا كسري بودجه دولت، باعث تغيير در متغيري ديگر مثلا GDP مي‌شود. هدف اين كتاب آموزش دادن به شما درباره چگونگي يافتن و رد كردن استدلال‌هاي نادرست است. به اين جهت با انواع روش‌هايي آشنا مي‌شنويم كه مي‌توان از علم آمار براي دزديدن عقل ما استفاده كرد. شايد اين باعث شود نتيجه بگيريد پس اصلا ارزش ندارد که خود را به زحمت انداخته و علم آمار را یاد بگیریم، اما اين تفكر اشتباه است. تهيه فهرست نسبتا جامع از همه حوادثی كه هنگام رفتن به خريد ممکن است برايتان اتفاق بيفتد از سر خوردن هنگام سوار شدن به خودرو تا افتادن مواد غذايي روي انگشت پايتان نيز شايد چنين به نظر آيد كه در خانه ماندن و از گرسنگي مردن برايمان بهتر است.
هنگام توضيح در این ‌باره که چگونه آمار را بخوانيم و ارزيابي كنيم ابتدا بايد با سه طرز تلقي منفي مبارزه كرد. يكي اين تلقی كه علم آمار، يك نوع سنديت و اصالت «علمي» فراهم مي‌كند: پيش كشيدن آماري كه از نظر شما حمايت مي‌كند روش قاطعي براي پايان بخشيدن به يك استدلال است. اين حرف چرتي است. «نگاه به داده‌ها» اغلب نخستين گام در يك تحليل جدي است. برخي اوقات نياز است بپرسيم چگونه داده‌ها جمع‌آوري شده‌اند، تعاريف مورد استفاده چقدر مرتبط با آن‌ چيزي هستند كه ما مي‌خواهيم اندازه بگيريم، داده‌هاي رقيب چه چيزي نشان مي‌دهند و غير آن. تلقي دوم اين است كه تمام آمارها غيرقابل اعتماد بوده و بايد ناديده گرفته شوند و در حالي‌كه اعداد دروغ نمي‌گويند دروغگويان عددسازي مي‌كنند، اما اين نيز حرف بي‌منطقي است. اگر از آمار با ژرف‌انديشی استفاده شود شاهراهي به حقيقت به روي ما مي‌گشايد. واكنش درست به وجود آمارهاي دروغ و غيرقابل اتكا اين است كه خواننده شكاك و نه بدبين و بي‌تفاوت باشيم؛ يعني با اطلاعات عددي دقيقا مثل اطلاعات كاملا زباني برخورد كنيم. سومين تلقي از آمار اين باور است كه وقتي با آمار مواجه مي‌شويد امكان درك آنچه اتفاق مي‌افتد نيست مگر اينكه سواد رياضي بالايي داشته باشيد، اما در اينجا هيچ دانش رياضيات بيش از سطح دبستان نياز نيست؛ بنابراين محتواي اين بخش بسيار شبيه به منطق شفاهي است كه هر روز به كار مي‌بريم.

3- هنگام نگاه به آمارها، حواسمان
به چه جاهایی باشد
پيش از اينكه به سنجه‌هاي معين آماري و امكان بهره‌برداري نادرست از آنها بپردازيم، لازم است به برخي دلايل احتياط و حواس جمعي درباره آمار نگاهی بیندازیم.

محدودسازي دامنه تمركز
فشرده‌سازي اطلاعات كه با علم آمار ممكن مي‌شود فايده زيادي داشته، اما يك مانع جدي نيز هست. علم آمار با پرتوافكني قدرتمند بر يك جنبه معین از وضعيت، ما را ترغيب به ناديده گرفتن ساير جنبه‌هاي آن وضعيت مي‌كند و در نتيجه آنچه را مي‌توانست تفاوت‌هاي مهم بين مشاهدات مختلف ما باشد كمرنگ مي‌سازد. برای آمارداني كه خواهان اندازه‌گيري وزن مردم است، يك مرد بانكدار 25 ساله ساكن نيويورك و يك زن بدبخت 60 ساله ساكن هائيتي كه وزن هر دو 70 كيلوگرم است يكسان هستند. تنها چیزی از مردم که براي او اهميت دارد وزن آنها است. اين را با كار یک روزنامه‌نگار مقايسه كنيد كه با
5 عراقي مصاحبه مي‌كند و نتيجه را چنان گزارش مي‌كند كه گويي نشانه افكار عمومي عراقي‌ها است. آماردان مي‌گويد چنین تعميمی بي‌معني است و نمونه وي بسيار اندك بوده و نماينده جامعه عراقي نيست چون كه اين پنج نفر احتمالا به اين دليل انتخاب شده‌اند كه مايل به صحبت با يك گزارشگر آمريكايي بوده‌اند و نيز شايد به اين دليل که می‌توانستند انگليسي صحبت كنند. آماردان مي‌گويد براي شناخت افكار عمومي جامعه عراق، يك نظرسنجي آماري با نمونه كافي و تصادفي انتخاب شده انجام دهید. گزارشگر شايد در جواب بگويد اگر چه گزارش از نظر آماري ايراد داشته، اما حكم يك نظرسنجي آماري را دارد چون به مردم اجازه داده است هر چه مي‌خواهند بگويند و درك گوناگوني به دست مي‌آيد كه با نگاه به اعداد اصلا به دست نمي‌آيد. آرتور كستلر (نويسنده رمان مهم سياسي «تاريكي در نيمروز») زماني گفته بود: «آمار چیزی بیرون نمي‌دهد، این جزئیات است که اهمیت دارد.» و آنچه آماردان‌ها هنگام ارائه ميانگين‌ها مي‌شويند و كنار مي‌گذارند گاهي اوقات بسيار مهم است. مثل اين مي‌ماند كه يك وكيل مدافع در مراسم بازنشستگي خود چنين بگويد: من برخي مشتريان خود را كه مي‌دانستم گناهكار هستند از مجازات رهانيدم، در حالي‌كه عده‌اي ديگر از مشتريان كه مي‌دانستم بيگناه هستند محكوم شدند. خوب ميانگين كه بگيريم عدالت اجرا شده است.»
به‌علاوه از آنجا كه اندازه‌گيري بسيار مهم است بسیار وسوسه مي‌شويم كه باور كنيم هر چيزي قابل اندازه‌گيري نباشد پس مهم نيست يا دست‌كم اينكه تاكيد زيادي روي آن نكنيم. براي مثال اقتصاددانان هنگام تبيين نسبت پس‌انداز، يعني درصدی از درآمد خانوار كه پس‌انداز مي‌شود، به آساني قادر به اندازه‌گيري چندين متغير توضيحي مثل اندازه خانوار، درآمد و ثروت آن هستند. آنچه كه آنها معمولا نمي‌توانند اندازه‌گيري كنند آينده‌نگري و دوراندیشی است. پس آنها معمولا فرض مي‌كنند كه اين عامل در بين همه خانواده‌ها يكسان باشد؛ بنابراين هنگام تبيين تفاوت نرخ پس‌انداز انواع خانواده‌ها، ناديده گرفته مي‌شود. برخي اوقات وقتي اين كار را مي‌كنيد و يك عامل را ناديده مي‌گيريد چون توانايي اندازه‌گيري آن را نداريد، داده‌ها حسابي شما را گوشمالي مي‌كنند: تنها توانايي تبيين بخش اندكي از نوساناتي را پيدا مي‌كنيد كه سعي در تبيين داريد، اما فرض كنيد آن‌طور كه احتمالا به نظر مي‌رسد، آينده‌نگري با ثروت همبستگي مثبت داشته باشد. پس تحليل شما برازش خوبي با داده‌ها پيدا مي‌كند، اما اهميت ثروت را زياده برآورد مي‌كند چون كه ثروت تا حدودي به جاي آينده‌نگري آمده است و نيز اهميت تفاوت‌هایي در آينده‌نگري را به كلي از دست داده‌ايد.

داده‌هايي كه به من داده شده است
توليد داده‌هاي خام آماري از نظرسنجي‌ها، اغلب فوق‌العاده پرهزينه است و نيز آنهايي را كه زحمت پاسخ دادن به خود نمي‌دهند حذف مي‌كند. از آنجا كه دولت جيب‌هاي بزرگي دارد و مي‌تواند مردم را وادار به پاسخ دادن كند، اقتصاددانان عمدتا متكي به آمار توليدی دولت هستند، اما دولت اين داده‌ها را توليد نمي‌كند تا اقتصاددانان آكادميك را خوشحال سازد بلكه برا