IBM称，全球所有计算机每天产生250亿亿个字节的数据。这相当于每人每天产生大约半张CD的数据量。无数激动人心的会议展示和咨询报告都以“大数据”为主题。那么，它对经济学可能有何帮助？
每个人所说的“大数据”含义不尽相同，但以下为一些共识。第一，如果不依赖某些可视化软件的帮助，人类不可能理解如此大的数据量。用散点图寻找规律或异常情况的传统办法，在这里毫无作用。第二，数据从产生到被利用往往只有很短的时间，至少对一些人如此。你的手机运营商能够实时获悉你手机所在位置。第三，数据可能高度互相关联。理论上，谷歌(Google)可掌握你的电子邮箱和安卓(Android)手机位置信息，知道你在Google Plus社交网络上有哪些好友，并了解你的搜索记录。第四，数据是杂乱无章的：你储存在手机上的视频属于“大数据”，但它与整齐有序的分类数据库（按照生日、就业状况、性别、收入等分类）还相去甚远。
这可能给经济学家带来问题。经济学家已经被惯坏了：20世纪30和40年代，西蒙?库兹涅茨(Simon Kuznets)和理查德?斯通(Richard Stone)建立了清晰有序、逻辑连贯的国民账户系统。几十亿项个人交易一下子被概括为“英国2012年GDP”；几十亿次价格变动体现为通胀指数这么一项指标。数据整齐地排列成矩形，例如，横排为若干个国家，竖排为年份，每个方格内的数据对应某个国家在某个年份的通胀率。
大数据的方法截然不同。以信用卡数据为例。理论上，万事达(Mastercard)拥有一套完美的数据：它知道何人在何地为何种产品消费的金额，而且这些数据都是实时的。但这是经济学家丽兰?安纳夫(Liran Einav)和乔纳森?莱文(Jonathan Levin)所说的“便利样本”(convenience sample)，因为不是每个人都有万事达卡，也不是每个拥有万事达卡的人都会经常使用万事达卡。
如果说万事达卡的数据无法为经济研究人员带来一点儿有用信息，那未免不符合常识。但它与我们平常使用的那类数据非常不同，甚至跟我们通常的问题几乎不是一回事。经济学家喜欢寻找因果联系，而不只是规律。而且，经济学家希望他们找到的因果联系适用于所有人或是有代表性的群体样本，而不只是一个随机的子群体。
或许不令人意外的是，经济学对大数据的最直接应用是在预测（或短时预测）领域，这一直是经济学的实用领域，也是学术上的边缘领域。有人专门分析Twitter消息、谷歌上失业福利或汽车保险的搜索量、或德国卡车的行车记录，以了解经济运行的状况。这种做法似乎效果不错。麻省理工学院(MIT)的“海量价格数据项目”(billion prices project)每天提供世界各地通胀率的估计数字。
一些学者尝试以更为传统的方式利用大数据，他们的努力取得了一些效果。例如，拉吉?切迪(Raj Chetty)、约翰?弗里德曼(John Friedman)和乔纳?罗克夫(Jonah Rockoff)研究了纽约市250万名学童的官方数据与他们成年后收的关系。研究表明，哪怕有一年时间接受差老师的教导，也会在长远上极大地影响事业上的成功。艾米?芬克尔斯Amy Finkelstein)和同事一起评估了美国低收入医保计划——联邦医疗补助计划(Medicaid) ，发现了医院记录与信用记录等变量之间的联系。没有庞大的成组数据，此类研究将无法进行。
上述这些最新研究意味着，经济学在这方面还将大有作为。但如要完全利用数据革命，经济学家必须改变其目前对何为问题、何为答案的看法。
