做实证的人越来越多是和自从20世纪以来，世界的可量化性越来越强的趋势所呼应的，不太可能发生根本性变化。

古典经济学时期，大多是规范性的理论研究,如亚当斯密、李嘉图、萨伊这些人提出的理论框架,主要基于逻辑推理和一些零星观察,很大程度上受制于当时缺乏系统数据。就现在一篇普通实证文章的数据量，在当时就是几年甚至于十几年的收集工作。所以早期的经济学大师也比较多——哲学化的理论是对现实的极高度抽象，有前瞻性指引的功能，所以这个时候容易出大师，可以说现在经济学的这些大方向，宏观、贸易、微观、公共等等，都可以追溯到古典经济学时期某些大师的思想，这是没办法的事情。因为人类社会就这些活动，古典时代的这些经济学家多少一定是提过的。就像亚当斯密这句话：

我们所需要的晚餐,并不是出自屠户、酿酒商或面包师的仁慈,而是出自他们自利的考虑。我们不是向他们乞求,而是诉诸他们的利己之心,从不与他们谈我们自己的需要,只说他们可得到的好处。

你说这句话是最早讲市场经济的也对，说是最早说到激励理论的，也没办法反驳，因为这确实里面谈到了市场，谈到了激励的问题。但是显然现代的市场机制和激励理论远远不是这一句话能够概括的。

古典时代，经济学还是比较哲学化的，大家互相在大脑里面推演逻辑，最终的结果必然是谁都说服不了谁。像两个剑桥之争，「技术再转化」（reswitching）是老剑桥学派一个设计很好的思想实验，动摇了新剑桥的理论基础，但是这说到底还是更哲学一些，因为如此抽象的表达，在现实中既无法证明也无法证伪，即便是新剑桥学派后来的反击「再转化在现实中从未观察到过」也不算是多么有力的反驳。

后来计量经济学的发展为实证革命奠定了基础。到二十世纪下半叶，实证研究突飞猛进，但是对于经济学理论更是黄金时代。因为这个时候数据可得性有了很长足的发展。大家可以摆脱这些宏大而抽象的宏观经济，而去真的做一些更微观更具体的课题，而更微观的计量又推动了微观和产业理论的发展。两者相得益彰。

在这个时代，数据可得性和理论的推演达到一个均衡，数据虽然可得，但是也没有那么多。很多识别策略现在看起来也算不严谨，非常需要理论的支撑其背后的因果判定，这样的「建议性的实证证据」在当时依然是可以被接受的。而理论则大大的吸收了一些现代的数学工具，比如随机过程、动态优化，所以也是一派欣欣向荣的景象。

但是这个均衡随着数据量的继续增强还是不断的向着实证倾斜。而最近这二三十年的互联网时代进一步的增强了这个世界的可量化性，这也惯得杂志们对「可信度」的要求越来越高。除了最基本的文章定位和贡献之外，现在的经济学实证文章投稿很多时候就是「识别」的攻防战。编辑和审稿人主要攻击点在于识别，而作者的修改和辩论也是基于自己的识别策略。往往需要非常干净的外生震荡，或者实地实验的数据，才能更好的让人信服。

而理论自从高等数学化之后，这些年来无论是在模式上还是写作方式上，都没有太多的变化。因为理论来自于人的总结和抽象能力加上数学工具，现在人的能力没有发生根本变化，数学工具也没有突破，那自然还是和以前一样。所以这就给人一种感觉，那就是越来越多的人在从事实证，但是理论似乎还是那么多。

不过这本来也符合学科规律。现实世界永远是现象更多，但是理论更抽象，就是变化会慢一些。即便是在实证领域，你说用机器学习来做变量和度量，这个在经济学和金融里面的接受程度是很高的；但是如果要直接用机器学习的因果推断来从方法上取代现代经济学家们用的DID/RDD/IV这些，一上升到计量理论的高度，那马上就推不动了，Susan Athey和Guiddo Imbens写了几篇融合机器学习和因果推断的文章，尽管在经济学顶刊发表出来了，但是真的用这些方法的还是寥寥。

好的理论文章生命力更长久，但是理论就是变化更慢一些。长期来看，经济学理论会和应用数学差不多，维持小而精的规模；经济学实证会更加拥抱人工智能——其实现在很多做微观计量或者宏观的经济学PhD毕业去做Data Scientist已经是无缝链接的了。