المكاسب:
- القدرة على قراءة مخرجات الانحدار بدقة (المعامل، الخطأ المعياري، القيمة p، مربع R) والتقييم النقدي لتفسير الذكاء الاصطناعي
- القدرة على التعرف على المخاطر مثل التمييز بين الارتباط والسببية، والتجانس الداخلي، والمتغيرات المحذوفة والانحدار الزائف، والحد من اللغة السببية المفرطة للذكاء الاصطناعي
- القدرة على استخدام الذكاء الاصطناعي لإعداد النموذج، وصياغة التعليمات البرمجية والاختبارات التشخيصية، مع ترك مسؤولية اختيار النموذج وتفسيره للبشر
الاقتصاد القياسي هو مجال اختبار النظرية الاقتصادية بالبيانات، والانحدار هو أداته الأساسية. "كم يزيد الاستهلاك مع زيادة الدخل؟"، "ما العلاقة بين الفائدة والاستثمار؟" يتم قياس مثل هذه الأسئلة عن طريق الانحدار. يعد الذكاء الاصطناعي مفيدًا جدًا وخطيرًا جدًا في هذا المجال: فهو يكتب كود النموذج والاختبارات التشخيصية في ثوانٍ، ولكنه غالبًا ما يكون سببيًا بشكل مفرط ودقيق جدًا عند تفسير المخرجات. ينطق جملة "X يزيد Y" بطلاقة؛ في حين أن معظم الانحدارات تقيس علاقة واحدة فقط. جوهر هذه الوحدة هو: استخدام الذكاء الاصطناعي لإعداد النموذج والتعليمات البرمجية والاختبار التشخيصي؛ ولكن احتفظ بمسؤولية اختيار النموذج، والحكم السببي، والتفسير على الإنسان.
قراءة الناتج الانحدار
يبحث ناتج الانحدار البسيط عن أربعة أشياء:
- معامل. تقدير لمدى تغير المتغير التابع عندما يزيد المتغير التوضيحي بمقدار وحدة واحدة. يجب أن يكون للإشارة (زائد/ناقص) وحجمها معنى اقتصادي.
- خطأ قياسي. عدم اليقين في تقدير المعامل؛ وإذا كان أصغر، فالتقدير أكثر دقة.
- القيمة p. احتمال ظهور المعامل بهذا الحجم على افتراض أنه "صفر في الواقع". ويُقال إن قيمة p الصغيرة (<0.05) تعتبر "ذات دلالة إحصائية" - ولكن هذا لا يعني أهمية اقتصادية أو علاقة سببية.
- R-مربع. ما مقدار التغير في المتغير التابع الذي يوضحه النموذج؟ لا يعني ارتفاع مربع R "النموذج الصحيح"؛ وقد تكون أيضًا عالية في الانحدارات الزائفة.
نصيحة: لا تخلط بين الأهمية الإحصائية والأهمية الاقتصادية. حتى التأثير الصغير جدًا وغير المهم عمليًا قد يتبين أنه "مهم" (صغير p) في عينة كبيرة. أولا، "هل حجم هذا المعامل مهم اقتصاديا؟" "، ثم ابحث عن الأهمية.
الارتباط ليس السببية: المزالق الكلاسيكية
وهذا هو التحذير الذي يقع في قلب الاقتصاد القياسي. العلاقة التي وجدها الانحدار غالبا ما تكون غير سببية. المزالق الكبرى:
- المتغير المحذوف. والعامل الثالث الذي يؤثر على كل من X وY ولكنه غير موجود في النموذج يخلق علاقة زائفة بين X وY. (مثال: إذا تم حذف "القدرة" في العلاقة بين التعليم والدخل، فإن المعامل سيكون مضللاً).
- السببية العكسية (النشوء الداخلي). بينما يُعتقد أن X يؤثر على Y، ربما يؤثر Y على X أو أن الاثنين متبادلان. (أعداد الشرطة والجريمة: هل زادت الشرطة بسبب زيادة الجريمة؟)
- الانحدار الزائف. يمكن لسلسلتين غير ثابتتين (متجهتين) أن تنتجا معاملات R-squared عالية وهامة على الرغم من عدم وجود علاقة حقيقية بينهما. فقط لأن كلاهما ينمو مع مرور الوقت.
- تحيز الاختيار. إذا لم تكن العينة عشوائية، يتم قياس العلاقة منحرفة.
لا يمكن إثبات ادعاء السببية إلا من خلال التصميم المناسب (طرق مثل التجربة الخاضعة للرقابة، والتجربة الطبيعية، والمتغير الآلي، والفرق في الاختلاف) وافتراضات واضحة. غالبًا ما يفتقد الذكاء الاصطناعي هذه الدقة.
تحذير: إذا قال الذكاء الاصطناعي "هذا المتغير يزيد/ينقص ذلك"، فاضغط على الفور. المشكلة: هل هناك أي متغيرات محذوفة؟ هل السببية العكسية ممكنة؟ هل المسلسل ثابت؟ ولا تدخل أي جملة سببية في التقرير إلا بعد طرح هذه الأسئلة الثلاثة.
الاختبارات التشخيصية
لكي يكون الانحدار موثوقًا به، يتم اختبار افتراضاته: نمط القيم المتبقية (مصطلحات الخطأ) (الارتباط الذاتي)، والتباين المتغاير (التغاير)، والخطية المتعددة (المتغيرات التوضيحية متشابهة جدًا مع بعضها البعض)، والتوزيع الطبيعي. ويكتب الذكاء الاصطناعي الكود الخاص بهذه الاختبارات؛ ولكن مهمة خبراء الاقتصاد هي تفسير النتائج وتعديل النموذج وفقا لذلك.
ثلاث حالات صغيرة
الحالة 1 - الانحدار الزائف. تراجع أحد الباحثين عن سلسلتين من الاتجاهات (إحداهما إنفاق اسمي، وواحدة اسمية، وأخرى كمية)؛ كان R-squared 0.98، وكان المعامل مهمًا للغاية. وقال إن الذكاء الاصطناعي "يمثل علاقة قوية". قام الباحث باختبار الثبات: كلا السلسلتين كانتا غير ثابتتين. وبمجرد انفصالهما، اختفت العلاقة إلى حد كبير. كان ارتفاع R-squared ببساطة لأن كلاهما نما بمرور الوقت. تم اكتشاف الانحدار الزائف.
الحالة 2 - المتغير المحذوف. وجد أحد التحليلات أن "الإنفاق الإعلاني يزيد المبيعات". وتساءل الخبير الاقتصادي: هل هناك تأثير موسمي في النموذج؟ لم يكن هناك. كانت الإعلانات والمبيعات تتزايد قبل العطلة. جزء من العلاقة كان موسميًا. وعندما أضيفت متغيرات الموسم الوهمية، أصبح معامل الإعلان أصغر. وقد تم تخفيف الادعاء السببي.
الحالة 3 - مهمة ولكنها غير مهمة. في مجموعة كبيرة من البيانات الجزئية، كان المعامل p<0.001؛ وقال إن الذكاء الاصطناعي له "تأثير قوي". لكن حجم المعامل كان ضئيلاً من الناحية العملية (فتغير كبير في الدخل أدى إلى تحريك النتيجة بمقدار جزء من الألف). لقد صاغها الخبير الاقتصادي بشكل صحيح على أنها "ذات أهمية إحصائية ولكنها غير ذات أهمية اقتصادية". لم تكن الأهمية بديلاً عن الأهمية.
جدول الإشراف على التعليقات
يقول الذكاء الاصطناعي
يتساءل الخبير الاقتصادي
"X يزيد Y"
المتغير المحذوف؟ عكس السببية؟
"R-squared مرتفع، والنموذج جيد"
هل المسلسل ثابت؟ الانحدار الزائف؟
"ع <0.05، كبير"
هل الحجم مهم اقتصاديا؟
"معامل 0.3"
هل علامتها ووحدتها متوافقة مع النظرية؟
"العلاقة قوية"
هل اختيار العينة متحيز؟
أربعة قوالب قابلة للنسخ
1) رسم تركيب النموذج:
سأتناول السؤال الاقتصادي التالي: [سؤال]. المتغير التابع: [Y]. واصفات المرشح: [X's]. اقترح علي إعداد انحدار أولي مناسب (رمز statsmodels). اشرح ما هي متغيرات التحكم المطلوبة ولماذا. لا تدعي العلاقة السببية؛ استخدم لغة العلاقة.
2) الاختبارات التشخيصية:
اكتب في الكود الاختبارات التشخيصية للانحدار التي قمت بإعدادها: الارتباط الذاتي، والتباين، والتعددية الخطية، وتشتت البقايا، والثبات (إذا كانت سلسلة زمنية). اكتب بإيجاز كيفية تفسير كل نتيجة اختبار وماذا تفعل إذا كانت هناك مشاكل.
3) مراقبة السببية:
قم بتفسير نتيجة الانحدار هذه، ولكن تحقق أولاً من هذه المزالق الثلاثة: (1) هل يمكن أن يكون هناك متغير محذوف وأي متغير، (2) هل السببية العكسية ممكنة، (3) هل السلسلة ثابتة / هل هناك خطر الانحدار الزائف؟ اذكر بوضوح ما إذا كان ينبغي تفسير النتيجة على أنها سببية أم مجرد علائقية.
4) التمييز بين الأهمية والأهمية:
فسر المعامل التالي: القيمة [x]، الخطأ المعياري [y]، القيمة p [z]. قم بتقييم الأهمية الإحصائية بشكل منفصل، والأهمية الاقتصادية بشكل منفصل: هل حجم هذا المعامل له تأثير مهم من الناحية العملية؟ حدد حجم التأثير في سيناريو المثال.
موجه ضعيف / موجه قوي
حث ضعيف:
قم بإجراء الانحدار مع هذه المتغيرات وتفسير النتيجة.
ويفسرها الذكاء الاصطناعي بلغة سببية، دون إجراء اختبارات تشخيصية أو التحقق من الثبات؛ تم تفويت الانحدار الزائف أو المتغير المحذوف.
مطالبة قوية:
المتغير التابع هو الاستهلاك، الدخل التفسيري؛ الشهرية، سلسلة تتجه. اختبار الثبات أولاً؛ الحصول على الفرق إذا لزم الأمر. قم بإعداد الانحدار، وقم بإجراء الاختبارات التشخيصية (الارتباط الذاتي، والتباين المتغاير). مناقشة مخاطر المتغيرات المحذوفة بشكل صريح والسببية العكسية عند تفسير النتيجة؛ استخدم اللغة العلائقية بدلاً من اللغة السببية. قم بتقييم الأهمية والأهمية الاقتصادية بشكل منفصل وإعطاء الرمز لكل خطوة.
الأخطاء الشائعة
- الارتباط الخاطئ للسببية. الخطأ الأكثر شيوعا والأكثر تكلفة.
- الخلط بين R-squared العالي والجودة. كما أنها عالية في الانحدارات الزائفة.
- تجاوز فحص الركود. تنتج السلسلة الشائعة علاقات زائفة.
- الخلط بين المعنى والأهمية. ص الصغيرة لا تعني تأثير كبير.
- تخطي الاختبارات التشخيصية. الافتراض المنتهك يهزم الاستدلال بأكمله.
- قبول اللغة السببية للذكاء الاصطناعي كما هي. الحكم ينتمي إلى الرجل.
باختصار
الانحدار هو أداة قوية ولكنها محفوفة بالمخاطر. معامل القراءة والخطأ المعياري والقيمة الاحتمالية ومربع R بشكل صحيح؛ التمييز بين الارتباط والسببية. التحقق من المتغيرات المحذوفة، والسببية العكسية، ومزالق الانحدار الزائفة؛ ومن الضروري التمييز بين الأهمية والأهمية الاقتصادية. يتسارع الذكاء الاصطناعي في توليد التعليمات البرمجية والتشخيص، لكنه يتحدث بشكل سببي للغاية؛ يقع اختيار النموذج والحكم على السببية على عاتق الاقتصادي.
مهمة التطبيق
قم بإعداد انحدار بسيط باستخدام البيانات المتوفرة لديك (مثل دخل الاستهلاك). قم بإنتاج الإعداد باستخدام القالب الأول، واختبارات التشخيص التي تم إنتاجها باستخدام القالب الثاني. ثم تحقق من العلاقة السببية باستخدام القالب 3، مع تسمية متغير واحد محتمل محذوف على الأقل وسيناريو سببية عكسية واحد على الأقل. ترجمة الجملة السببية من التفسير الأولي للذكاء الاصطناعي إلى لغة علائقية وملاحظة التغيير.
قائمة مرجعية
- [ ] قرأت المعامل والخطأ المعياري والقيمة الاحتمالية ومربع R بشكل صحيح.
- [ ] لقد تحققت من ثبات السلسلة وأزلت خطر الانحدار الزائف.
- [ ] قمت بتسمية المتغير المحذوف وإحتمالات السببية العكسية.
- [ ] أجريت اختبارات تشخيصية وقمت بتقييم الانتهاكات.
- [ ] قمت بتقييم الأهمية الإحصائية والأهمية الاقتصادية بشكل منفصل.
- [ ] لقد قمت برسم اللغة السببية للذكاء الاصطناعي في اللغة العلائقية.
- [ ] لقد أكدت أن اختيار النموذج والحكم على السببية كان لي.