خوش‌بختانه سواد و اطلاعاتم در این حوزه‌ها صفر (یا حداقل زیر میانگین جامعه) است. در نتیجه در مورد قیمت آینده ارز و نفت و طلا و بورس و بیت‌کوین و مسکن و تشخیص حباب بودن یا نبودن آن‌ها تحلیلی نداشته‌ام و تا جایی که بتوانم هم نخواهم داشت. نگرانی هم بابت غلط بودن پیش‌بینی‌ام ندارم.
خوانندگان گرامی سوالات و نقدهای بسیار خوبی طرح کردند و از جمله پرسیدند پس اقتصاد و اقتصادسنجی به چه درد می‌خورد؟
در پاسخ گفتم: یک مغالطه منطقی این است که بگوییم مدل‌های اقتصادسنجی در پیشبینی قیمت بیت‌کوین و طلا شکست می‌خورند، پس اقتصادسنجی به درد نمی‌خورد! البته برخی اقتصادخوانده‌ها هم در خلق این مغالطه شریک هستند چون اقتصادسنجی را به همین عنوان به جامعه می‌فروشند.
در واقعیت یکی از کاربردهای مهم اقتصادسنجی «آزمون کردن» این «فرض» است که «آیا اساسا این قیمت‌ها قابل پیشبینی هستند یا نه» و خود اقتصادسنجی به این جواب می‌رسد که در اکثر موارد «خیر»! (توضیح فنی: کار اصلی اقتصادسنجی آزمون درست نظریه‌ها بر اساس شواهد مبتنی بر داده‌ها است.(
دوست جامعه‌شناس فرهیخته‌ای هم به درستی اشاره کردند که «جواب این است که علم اقتصاد به درد این می خورد که به جامعه بشری بگوید دقیقا دنبال پیش بینی پذیری چه پدیده های نباشد!»
باز دوستان گرامی نکات و سوالات و نقدهای بسیار خوبی طرح کردند. از جمله پرسیدند که پس علمی که نمی‌تواند پیش بینی کند به چه دردی می‌خورد و آیا اساسا علم (ابطال‌پذیر) هست؟
توضیح دادیم که لزوما این طور نیست. کار علم اقتصاد تبیین روابط علی بین متغیرها است. اتفاقا مدل‌های تبیین‌گر را خیلی خوب می‌توانیم ابطال کنیم (کاری که همه علوم می‌کنند). مدل را تحت شرایط مختلف ورودی قرار می‌دهیم و مقدار «تخمین‌زده شده با مدل» را با «واقعیت» مقایسه می‌کنیم ولی نه روی زمان بل‌که روی فضای حالت.
گفتند پس مدل اقتصادی که می‌گویید «تبیین‌گر» است چیست؟ از این توضیح استفاده کردیم: مدل اقتصادی چیست و چه چیزی نیست؟ در ساده‌ترین حالت ما داریم می‌گوییم که «تابعی» کشف کرده‌ایم که رابطه بین یک متغیر و متغیر دیگر را (با یک جمله خطای (e تبیین می‌کند. پس Y=F(X,e) که در واقعیت X مثلا می‌تواند میزان سرمایه‌گذاری روی تغذیه کودکان و Y دست‌مزد آنان در بزرگ‌سالی باشد. یا مثلا X میزان رشد نقدینگی و Y تورم است.
ادعای اقتصاددانان این است که «تابع» F را کشف کرده‌اند (تبیین نظری روابط بین متغیرهای مختلف) و طبعا در طول زمان با رشد فهم ما از دنیای واقع تابع (F)، از جمله خطا یعنی e کاسته شده و به ورودی‌های شناخته شده مدل اضافه می‌شود. ولی دانستن تابع F به هیچ وجه به این معنی نیست که من اگر مجموعه اطلاعات زمان t را داشته باشم (همه چیز را الان بدانم)، بتوانم مقدار Y_{t+1 را پیشبینی کنم. چرا؟ چون برای «پیشبینی» مقدار دوره بعد Y باید مقدار دوره بعد X را داشته باشم. ما می‌توانیم «تبیین‌گر» خیلی خوبی باشیم ولی «پیشبینی»گری خاصی روی زمان نداشته باشیم. (و البته بنا به توضیح دوستی، در برخی مدل‌های خاص مثل سری-زمانی ممکن است Y همان X_{t+1باشد ولی این حالت خیلی خاص است.(
مثلا می‌توانیم خیلی خوب توضیح بدهیم که اگر دولت سیاست الف را اجرا کند نتیجه چه خواهد شد. خود این دانش خیلی مفید است و به درد درک دنیا و تحلیل سیاست‌ها و طراحی سیاست بهینه می‌آید و ابطال‌پذیر هم هست. ولی نمی‌توانیم بگوییم که فردا چه خواهد شد (پیشبینی) چون نمی‌دانیم که دولت قرار است فردا چه کار کند. شبیه پزشکی که می‌گوید اگر ویروس فلان بیاید چه اتفاقی برای سلامت مردم می‌افتد و چه کار باید بکنند. ولی این پزشک هیچ قدرتی برای پیشبینی این که آیا ویروس فردا می‌آید یا نه ندارد.
