如果從二戰前的資料觀察，我們很容易得出像過去的哈佛經濟學家熊彼得或荷蘭經濟學家的Kondratieff waves之類的半理論產物。而新古典經濟學的「實體景氣循環(RBC)」理論產生的預測，對於非危機時期的美國經濟還不算差，但對於週期性危機卻幾乎沒有太多的預測力。筆者在哈佛經濟學（新凱因斯大本營）上到景氣循環的課的時候，多半便是從馬克思出發，談各個理論跟實證讓人如何不滿意，包含了新凱恩斯模型本身。
從思想史發展來看，為了在政策上處理「資本主義的週期性危機」，從凱因斯學派引介「乘數效應」（Multiplier，政府投資一塊錢，民間是否產出增加超過一塊錢）後，測量乘數效應也非常難。於是乎，如果有任何人可以輕易的說出「我懂景氣循環」，我都一律視之其所理解的為仙術，而非科學。
筆者以下將從三個角度來談為何理解景氣循環非常困難。
第一個角度：隨機+隨機＋隨機....=像是可能解讀起來有某種意義的景氣循環
第一個困難來自於蘇聯天才經濟學家Eugen Slutsky於1920年代的發現，原文由俄文寫成，後來被翻譯後發表在1937年的Econometrica，叫"The Summation of Random Causes as a Source of Cyclic Processes"，而這東西從數學來看很自然，但對當時的經濟學家卻相當反直覺：
想像有一個經濟體，每一期都有許多互不關聯的隨機事件發生，有些事件可能帶來對隨便一個廠商帶來額外的利潤，有些事件對少數廠商帶來虧損。
比方說，某一間工廠的一個員工早上出門跌倒了，所以少了一個工人。又或是另一個公司在做化學實驗時，良率比平常多了一些些。某一個農場早上風比較大，所以農夫少做一個小時。某一個小鎮下雨，所以雜貨店少了一些客人。
就算這些事件全部都是純然隨機的，當我們把這些加總起來，整個經濟體就會產生景氣循環的週期性。
不需要科技演進。不需要政策。什麼都不需要，純然的隨機事件的加總，就可以造成景氣循環。
類似的猜想，約在1900年初就由經濟學家Knut Wicksell提出，但當時的經濟學家缺乏工具把這東西做出來，而當Eugen Slutsky證明了這現像的存在，並於1930年代漸漸由歐美經濟學家接受，對於景氣循環的研究無疑帶來了不小的衝擊。Robert Lucas等人發展的實體景氣循環（RBC）理論無疑是用「隨機科技衝擊」延伸了Slutsky的觀點，而 Lucas本人亦曾經說Slutsky的觀點是「A Hell of an Idea」。
而Slutsky帶來的觀念衝擊，無疑是多重的。第一是從科學哲學來看，便是「單純的隨機衝擊便有辦法帶來景氣循環」，這也變成了某種Null Hypothesis。第二則是我們可以把實際的景氣循環想成是「結構因子的加總加上隨機因子的加總」，而給定一個景氣循環序列，我們該如何拆解這兩團東西？而從上述兩點出發，又衍生出了第三點：我們如何在認識論上理解什麼是「隨機衝擊」，我們又該如何用統計分法有系統地處理這些「被認識」的衝擊？這個第三點，便是以下要談的餘下兩大困難處。
第二個角度：何曰Shock?如何認識「衝擊」？誰的衝擊？
此分析框架下，不同人有不同關於衝擊的定義，在二戰以來佔了總體實證研究不小的偏幅。
若我們以今日比較流行的定義，由V.A. Ramey在"Macroeconomic Shocks and Their Propagation"一文的定義，我們必須先有一個「經濟系統」，才有辦法定義衝擊，因為隨機衝擊的定義便是「先給定一個系統，而在這系統內出現的原生(Primitive)且外生(Exogeneous)的擾動因子（Disturbances），在觀念上，其實證上的對應物，可能是技術或政策的突然轉變。
Ramey進而定義，要被視為真正的隨機衝擊，某項資料變化，必須符合三個嚴格的準則：第一，它必須相對於模型中所有當前及落後變數（Lagged variables）具有外生性。第二，衝擊之間不具相關性，以確保研究者能辨識出其獨特的因果效應；第三，它必須代表完全未預料到的變動，或是關於未來改變的「新聞」（News）。
根據此定義的隨機衝擊，許多傳統總體統計模型中的「創新作為殘差項」（Innovation as Statistica ResiduallTerm）截然不同，後者僅是模型預測誤差，其中仍可能包含對模型未捕捉資訊的系統性反應。
至關重要的是，衝擊的屬性完全取決於觀察者的「知道什麼」（Information set）。對於使用簡單模型的計量經濟學家而言，某項政策變動看似是「衝擊」，但對於擁有「優勢資訊」或「遠見」的決策者來說，比方說美國的大企業或是央行的官員，該變動可能完全在預期之中。
又舉例而言，如果聯準會根據大眾尚未察覺的內部通膨預測而調升利率，這項行動對聯準會來說是系統性的反應，但對私部門而言則是一個「訊號」或衝擊。
Ramsey的定義下，一個隨機衝擊成為一個有效的實證工具，它至少必須與模型中的決策者所使用的特定預測及資訊保持統計上的正交（Orthogonal）。
想必讀者讀到這邊應該已經頭暈了。
因為這相當程度上是一個認識論的問題。首先，「衝擊」只能被系統定義。研究者若使用不同的模型，「經濟系統」的觀念轉變，在某系統是一衝擊，在另一系統則不一定。第二個，之於一個決策者的隨機衝擊，未必對另一個決策者是衝擊，而這裡的資訊差異，甚至會打破學術研究「第四面牆」，研究者所不知的，未必是被研究者所不知的，反之亦然，而研究者之研究，可能是預設了自己知自己所不知。有沒有聽起來很玄？
上述的東西聽起來很玄，卻是要建立理解總體景氣循環的科學模型不得不走的過程。如果有一個人言之鑿鑿，卻未經歷過上述的思想流程，基本上都只是一個「猜測」，而非是現代意義的「景氣循環的假說驗證」。
第三個角度：計量識別之困難：系統內的決策者對外生衝擊的內生預期跟回應
按照上述的定義，政府的政策在多數的情況下，不算是很純正的外生衝擊。但景氣有變化時，央行可能會調整利息，那麼我們該如何詮釋呢？
這便是「內生回應」，因為決策者可能「事先知曉某一變動」，又會是「事後回應衝擊」，也是經濟模型往往刻劃模型的著力之處。換言之，景氣循環本身已經夠難理解，身處其中的經濟個體，又會形成對於景氣循環的預期，而這些預期又會反過來回饋到景氣循環的實現。
比方說，所謂的「新凱因斯模型」，在許多科學的觀點來看，其實長得更像「新古典模型」而非「舊凱因斯模型」，便是出於「新凱因斯模型」的許多行為設定，其實跟「新古典模型」相當接近，但在一些關鍵的假設上不同，因而有了不一樣的景氣預測。
然而，上述的「內生回應」，除了是理論預策的主要著力之處之外，又會再產生了理解景氣循環的第三個困難：政府或決策者可能會同時會出於一個衝擊而回應到另一個衝擊，使得你無法觀察單一維度來理解景氣循環。
試想以下情境一。
美國的某公司突然有了一項突如其來的技術突破——即「中立技術衝擊」（Neutral technology shock）——帶動了美國實質 GDP 成長。
然而，隨著私部門蓬勃發展，政府看到失業人數減少了，於今年砍了財政政策的預算，進而使政府自然地縮減支出。
此時，當經濟學家要分析數據時，若單純研究GDP 對政府支出與關係，他們會看到產出上升而支出下降。他們可能會得出一個完全錯誤的結論：政府支出會拖累經濟成長。但事實上，政府當時資助的公路建設計畫可能極其有效，其影響只是被私部門激增時，國家體制隨之產生的系統性縮減所掩蓋了。
再試想以下的情境二。
想像一場地緣政治危機使經濟陷入低迷。隨著 GDP 崩跌，國家的社會安全網依設計而擴張：當勞工失業時，社會轉移支付的支出會自動增加。對門外漢而言，數據顯示政府支出激增，經濟卻同步慘跌，於是便會得到「政府支出導致經濟衰退」的結論。
而上面的兩個情境，便是在說明「衝擊」會在一個經濟系統內「傳播(Propogation）」。
舊方法的困難
換言之，若缺乏正確的工具來「釐清」衝擊跟回應之間的因果關係，人們可能會斷定是刺激方案本身導致了經濟衰退。這些案例說明了為何早期總體經濟學家的許多工具，像是早期大家愛用的「喬里斯基分解法」（Cholesky decomposition）經常失效。
喬里斯基分解法作為一種拆解衝擊跟回應的方法，需要假設政府在單一季度內對經濟反應遲緩，但實際上，政策制定者與民間決策通常具有會預測未來如何。如果聯準會（Fed）或財政部根據經濟模型，被假設無法「看見」的未來資訊採取行動，產出的數據解讀，將會是因果混淆的一團漿糊。回到上述提到的「科學哲學」的論點，要建立景氣循環的科學理論，經濟學家必須非常注意自己知道什麼、政府知道什麼以及民間決策者知道什麼。
在理解外生衝擊跟景氣循環實在太過困難，經濟學家John H. Cochrane曾在1994宣告：或許我們沒辦法理解到底是什麼東西帶來景氣循環。
高頻交易與文字分析為新方法
不過近年來，總體實證的研究者開始使用許多的工具來去理解景氣循環。這也是為何現在總體經濟學家越來越常使用「高頻率交易資料」，來觀察股市裡的決策者是不是看到什麼一些「意外消息」。又或是使用自然語言處理，利用「敘事分析」（Narrative methods)，來去回推衝擊的性質跟衝擊如何在一個經濟系統中傳播。
比方說，亦即查閱聯準會的會議紀錄（（FOMC），或翻找《商業週刊》（Business Week）以鎖定軍事行動宣布的確切時刻。藉由找出那些與當前 GDP 完全無關的「衝擊」（例如突然宣戰），經濟學家終於能觀察到政府或廠商在不受經濟週期預期下的獨立行動。唯有捕捉到這些「純粹」的衝擊時刻，我們才有望看穿一團又一團相關性的迷霧，理解總體經濟的景氣循環機制。
而現在哈佛總體經濟學的前沿，便有不少研究者利用AI的文字處理，來去更有效率去處理高頻率互動的資料，或是高維度的文字資料，以利能夠更好的處理上述的「何曰衝擊」的狀況。
至於AI如何協助總體經濟學家可以更容易計算更複雜、更接近真實世界的經濟均衡，又是另一大篇文章了，下次再說。
最後，還是要再強調一次，理解景氣循環非常難。於是乎，如果有任何人可以輕易的說出「我懂景氣循環」，而沒有經歷過上述的多重挑戰，我都一律視之其所理解的為仙術，而非科學。是為記。
