Dobici:
- Sposobnost točnog čitanja izlaza regresije (koeficijent, standardna pogreška, p-vrijednost, R-kvadrat) i kritičke procjene interpretacije umjetne inteligencije
- Sposobnost prepoznavanja zamki kao što su razlika između korelacije i uzročnosti, endogenosti, izostavljenih varijabli i lažne regresije, te obuzdavanje pretjeranog kauzalnog jezika umjetne inteligencije
- Sposobnost korištenja umjetne inteligencije za postavljanje modela, izradu koda i dijagnostičkih testova, ostavljajući odgovornost za odabir i interpretaciju modela ljudima
Ekonometrija je disciplina provjere ekonomske teorije s podacima, a regresija je njezin osnovni alat. "Koliko raste potrošnja s povećanjem prihoda?", "Kakav je odnos između kamata i ulaganja?" Pitanja poput ovih kvantificiraju se regresijom. AI je vrlo korisna i vrlo opasna u ovom području: piše kod modela i dijagnostičke testove u nekoliko sekundi, ali je često pretjerano uzročna i precizna kada tumači rezultate. Tečno izgovara rečenicu "X povećava Y"; dok većina regresija mjeri samo jedan odnos. Suština ove jedinice je: koristiti AI za postavljanje modela, kod i dijagnostičko testiranje; ali zadržite odgovornost za odabir modela, prosudbu uzročnosti i interpretaciju na čovjeku.
Izlaz regresije čitanja
Izlaz jednostavne regresije traži četiri stvari:
- Koeficijent. Procjena koliko se zavisna varijabla mijenja kada se objašnjavajuća varijabla poveća za jednu jedinicu. Predznak (plus/minus) i veličina moraju imati ekonomsko značenje.
- Standardna greška. Nesigurnost procjene koeficijenta; Ako je manji, procjena je točnija.
- p-vrijednost. Vjerojatnost da se koeficijent pojavi tako velik pod pretpostavkom da je "zapravo nula". Za mali p (< 0,05) kaže se da je "statistički značajan" — ali to ne implicira ekonomski značaj ili uzročnost.
- R-kvadrat. Koliki dio promjene zavisne varijable model objašnjava. Visok R-kvadrat ne znači "ispravan model"; Također može biti visoka u lažnim regresijama.
Savjet: ne brkajte statističku značajnost s ekonomskom značajnošću. Čak i vrlo mali, praktički beznačajni učinak može se pokazati "značajnim" (mali p) u velikom uzorku. Prvo, "Je li veličina ovog koeficijenta ekonomski važna?" ', a zatim potražite značaj.
Korelacija nije uzročnost: klasične zamke
Ovo je upozorenje u srcu ekonometrije. Odnos utvrđen regresijom često nije uzročnost. Glavne zamke:
- Izostavljena varijabla. Treći čimbenik koji utječe i na X i Y, ali nije u modelu, stvara lažni odnos između X i Y. (Primjer: ako je "sposobnost" izostavljena u odnosu između obrazovanja i prihoda, koeficijent će biti pogrešan.)
- Obrnuta kauzalnost (endogenost). Iako se smatra da X utječe na Y, možda Y utječe na X ili je to dvoje međusobno. (Broj policije i kriminal: je li broj policije povećan jer je kriminal povećan?)
- Pseudo regresija. Dva nestacionarna niza (u trendu) mogu dati visoke R-kvadrate i značajne koeficijente iako među njima nema stvarnog odnosa. Samo zato što oboje s vremenom rastu.
- Pristranost odabira. Ako uzorak nije slučajan, odnos se mjeri iskrivljeno.
Tvrdnja o kauzalnosti može se utvrditi samo uz odgovarajući dizajn (metode kao što su kontrolirani eksperiment, prirodni eksperiment, instrumentalna varijabla, razlika u razlici) i jasnim pretpostavkama. Umjetnoj inteligenciji često nedostaje ova suptilnost.
Oprez: Ako AI kaže "ova varijabla to povećava/smanjuje", odmah kočite. Problem: Jesu li neke varijable izostavljene? Je li moguća obrnuta uzročnost? Jesu li serije stacionarne? Nijedna uzročna rečenica ne ulazi u izvješće dok se ne postave ova tri pitanja.
Dijagnostički testovi
Da bi regresija bila pouzdana, testiraju se njezine pretpostavke: obrazac reziduala (termini pogreške) (autokorelacija), heteroskedastičnost (heteroskedastičnost), multikolinearnost (eksplanatorne varijable su vrlo slične jedna drugoj), normalna distribucija. Umjetna inteligencija piše kod za te testove; ali posao je ekonomista interpretirati rezultate i prilagoditi model prema tome.
tri mini kućišta
Slučaj 1 — Lažna regresija. Istraživač je regresirao dvije serije trendova (jedna nominalna potrošnja, jedna nominalna druga količina); R-kvadrat je bio 0,98, koeficijent je bio visoko značajan. AI je "snažna veza", rekao je. Istraživač je testirao stacionarnost: oba su niza bila nestacionarna. Nakon što su se razdvojili, veza je uglavnom nestala. Visoki R-kvadrat bio je jednostavno zato što su oboje rasli tijekom vremena. Uhvaćena lažna regresija.
Slučaj 2 — Izostavljena varijabla. Jedna je analiza pokazala da "potrošnja na oglašavanje povećava prodaju". Ekonomist je pitao: postoji li sezonski učinak u modelu? Nije bilo. I oglašavanje i prodaja rasli su prije praznika; Dio odnosa bila je sezonalnost. Kada su dodane sezonske lažne varijable, koeficijent oglašavanja je postao manji. Kauzalna tvrdnja je ublažena.
Slučaj 3 — Značajan, ali beznačajan. U velikom skupu mikropodataka, koeficijent je bio p<0,001; AI "snažan utjecaj", rekao je. No, veličina koeficijenta bila je praktički zanemariva (velika promjena u dohotku pomaknula je rezultat za tisućinku). Ekonomist ga je ispravno formulirao kao "statistički značajan, ali ekonomski beznačajan". Značaj nije bio zamjena za važnost.
Tablica za moderiranje komentara
kaže umjetna inteligencija
– pita se ekonomist
"X povećava Y"
Izostavljena varijabla? Obrnuta uzročnost?
"R-kvadrat je visok, model je dobar"
Jesu li serije stacionarne? Lažna regresija?
"p<0,05, značajno"
Je li veličina važna ekonomski?
"Koeficijent 0,3"
Jesu li njegov znak i jedinica kompatibilni s teorijom?
"Veza je jaka"
Je li odabir uzorka pristran?
Četiri predloška za kopiranje
1) Skica instalacije modela:
Ispitat ću sljedeće ekonomsko pitanje: [pitanje]. Zavisna varijabla: [Y]. Deskriptori kandidata: [X]. Predložite mi odgovarajuću početnu postavku regresije (statsmodels kod). Objasnite koje su kontrolne varijable potrebne i zašto. NEMOJTE tvrditi uzročnost; Koristite jezik odnosa.
2) Dijagnostički testovi:
Napišite u kodu dijagnostičke testove za regresiju koju sam postavio: autokorelaciju, heteroskedastičnost, multikolinearnost, disperziju reziduala i stacionarnost (ako se radi o vremenskoj seriji). Ukratko napišite kako tumačiti svaki rezultat testa i što učiniti ako dođe do problema.
3) Kontrola uzročnosti:
Protumačite ovaj rezultat regresije, ali prvo provjerite ove tri zamke: (1) može li biti izostavljena varijabla i koja, (2) je li moguća obrnuta uzročnost, (3) jesu li nizovi stacionarni / postoji li rizik od lažne regresije? Jasno navedite treba li rezultat tumačiti kao uzročno ili samo u odnosu.
4) Razlika značaj-važnost:
Protumačite sljedeći koeficijent: vrijednost [x], standardna pogreška [y], p-vrijednost [z]. Ocijenite zasebno statističku značajnost, zasebno ekonomsku važnost: je li veličina ovog koeficijenta praktički značajan učinak? Konkretizirajte veličinu utjecaja u primjeru scenarija.
Slab upit / Jak upit
Slab upit:
Napravite regresiju s ovim varijablama i protumačite rezultat.
Umjetna inteligencija ga tumači kauzalnim jezikom, bez provođenja dijagnostičkih testova ili provjere stacionarnosti; lažna regresija ili izostavljena varijabla je propuštena.
Snažan upit:
Zavisna varijabla je potrošnja, objašnjavajući dohodak; mjesečna serija u trendu. Prvo testirajte stacionarnost; dobiti razliku ako je potrebno. Postavite regresiju, pokrenite dijagnostičke testove (autokorelacija, heteroskedastičnost). Eksplicitno raspravljati o rizicima izostavljenih varijabli i obrnuti uzročnost pri tumačenju rezultata; Koristite relacijski, a ne kauzalni jezik. Ocijenite značaj i ekonomski značaj zasebno i dajte šifru za svaki korak.
Uobičajene greške
- Zamjena korelacije za uzročnost. Najčešća i najskuplja greška.
- Miješajući visoki R-kvadrat s kvalitetom. Također je visok u lažnim regresijama.
- Zaobilaženje provjere zastoja. Serije u trendu proizvode lažne veze.
- Brkanje smislenosti sa značajem. Mali p ne znači veliki učinak.
- Preskakanje dijagnostičkih testova. Prekršena pretpostavka poništava cijeli zaključak.
- Prihvaćanje kauzalnog jezika umjetne inteligencije kakav jest. Sud pripada čovjeku.
Ukratko
Regresija je moćan, ali neispravan alat. Koeficijent očitavanja, standardna pogreška, p-vrijednost i R-kvadrat točni; razlikovanje korelacije i uzročnosti; provjera izostavljenih varijabli, obrnute kauzalnosti i zamke lažne regresije; Potrebno je razlikovati značaj od ekonomske važnosti. AI ubrzava generiranje kodova i dijagnoza, ali govori previše uzročno; Odabir modela i prosudba uzročnosti leži na ekonomistu.
Zadatak aplikacije
Postavite jednostavnu regresiju s podacima koje imate (npr. potrošnja-dohodak). Neka se postava izradi s 1. predloškom, a dijagnostički testovi proizvedu s 2. predloškom. Zatim provjerite uzročnost s predloškom 3, imenujući barem jednu moguću izostavljenu varijablu i jedan scenarij obrnute uzročnosti. Prevedite uzročnu rečenicu iz početne interpretacije umjetne inteligencije u relacijski jezik i zabilježite promjenu.
popis za provjeru
- [ ] Ispravno sam očitao koeficijent, standardnu pogrešku, p-vrijednost i R-kvadrat.
- [ ] Provjerio sam stacionarnost serije i eliminirao rizik od lažne regresije.
- [ ] Imenovao sam izostavljenu varijablu i mogućnosti obrnute uzročnosti.
- [ ] Izvršio sam dijagnostičke testove i procijenio kršenja.
- [ ] Odvojeno sam procijenio statističku značajnost i ekonomsku značajnost.
- [ ] Povukao sam kauzalni jezik umjetne inteligencije u relacijski jezik.
- [ ] Tvrdio sam da su izbor modela i prosudba kauzaliteta moji.