Печалби:
- Възможност за точно четене на регресионния изход (коефициент, стандартна грешка, p-стойност, R-квадрат) и критична оценка на интерпретацията на изкуствения интелект
- Способност за разпознаване на капани като разграничение на корелация-причина, ендогенност, пропуснати променливи и фалшива регресия и ограничаване на прекомерния причинно-следствен език на изкуствения интелект
- Възможност за използване на изкуствен интелект за настройка на модела, изготвяне на код и диагностичен тест, оставяйки отговорността за избора и интерпретацията на модела на хората
Иконометрията е дисциплината за тестване на икономическата теория с данни, а регресията е нейният основен инструмент. „Колко се увеличава потреблението с увеличаване на доходите?“, „Каква е връзката между лихвата и инвестициите?“ Въпроси като тези се определят количествено чрез регресия. AI е едновременно много полезен и много опасен в тази област: той пише код на модел и диагностични тестове за секунди, но често е прекалено причинно-следствен и прекалено прецизен, когато интерпретира изхода. Изговаря свободно изречението „X увеличава Y“; докато повечето регресии измерват само една връзка. Същността на това устройство е: Използвайте AI за настройка на модела, код и диагностично тестване; но запазете отговорността за избора на модел, преценката на причинно-следствената връзка и интерпретацията върху човека.
Четене на регресия
Резултатът от една проста регресия търси четири неща:
- Коефициент. Оценка на това колко се променя зависимата променлива, когато обяснителната променлива се увеличи с една единица. Знакът (плюс/минус) и величината трябва да имат икономическо значение.
- Стандартна грешка. Несигурността на оценката на коефициента; Ако е по-малък, оценката е по-точна.
- p-стойност. Вероятността коефициентът да изглежда толкова голям при предположението, че е "всъщност нула". Малкото p (<0,05) се смята за „статистически значимо“ — но това не предполага икономическа значимост или причинно-следствена връзка.
- R-квадрат. Каква част от промяната в зависимата променлива обяснява моделът. Високото R-квадрат не означава "правилния модел"; Може също да е високо при фалшиви регресии.
Съвет: Не бъркайте статистическата значимост с икономическата значимост. Дори много малък, практически незначителен ефект може да се окаже "значим" (малко p) в голяма извадка. Първо, "Важен ли е размерът на този коефициент от икономическа гледна точка?" “, след това потърсете значение.
Корелацията не е причинно-следствена връзка: класически капани
Това е предупреждението в основата на иконометрията. Връзката, открита чрез регресия, често не е причинно-следствена връзка. Основни клопки:
- Пропусната променлива. Трети фактор, който засяга както X, така и Y, но не е в модела, създава фалшива връзка между X и Y. (Пример: ако „способността“ е пропусната във връзката между образование и доход, коефициентът ще бъде подвеждащ.)
- Обратна причинно-следствена връзка (ендогенност). Въпреки че се смята, че X влияе на Y, може би Y влияе на X или двете са взаимни. (Брой на полицията и престъпност: увеличи ли се полицията поради увеличаване на престъпността?)
- Псевдо регресия. Две нестационарни (с тенденция) серии могат да дадат висок R-квадрат и значими коефициенти, въпреки че няма реална връзка между тях. Просто защото и двамата растат с времето.
- Пристрастие при избора. Ако извадката не е случайна, връзката се измерва изкривена.
Твърдението за причинно-следствена връзка може да бъде установено само с подходящ дизайн (методи като контролиран експеримент, естествен експеримент, инструментална променлива, разлика в разликата) и ясни предположения. Изкуственият интелект често пропуска тази тънкост.
Внимание: Ако изкуственият интелект каже „тази променлива увеличава/намалява това“, спрете незабавно. Проблем: Има ли пропуснати променливи? Възможна ли е обратната причинно-следствена връзка? Стационарни ли са сериите? Никакво причинно-следствено изречение не влиза в доклада, докато не бъдат зададени тези три въпроса.
Диагностични изследвания
За да бъде регресията надеждна, нейните допускания се тестват: модел на остатъците (термини за грешка) (автокорелация), хетероскедастичност (хетероскедастичност), мултиколинеарност (обяснителните променливи са много сходни една с друга), нормално разпределение. Изкуственият интелект пише кода за тези тестове; но работа на икономиста е да интерпретира резултатите и да коригира съответно модела.
три мини калъфа
Случай 1 — Фалшива регресия. Изследовател направи регресия на две серии на тенденции (една номинална стойност, една номинална и друго количество); R-квадрат беше 0,98, коефициентът беше много значим. AI „е силна връзка“, каза той. Изследователят тества за стационарност: и двете серии бяха нестационарни. След като бяха разделени, връзката до голяма степен изчезна. Високият R-квадрат беше просто защото и двамата растяха с времето. Уловена фалшива регресия.
Случай 2 — Пропусната променлива. Един анализ установи, че „разходите за реклама увеличават продажбите“. Икономистът попита: има ли сезонен ефект в модела? Нямаше. Както рекламата, така и продажбите се увеличаваха преди празника; Част от връзката беше сезонността. Когато бяха добавени сезонни фиктивни променливи, коефициентът на реклама стана по-малък. Причинният иск е смекчен.
Случай 3 — Значителен, но незначителен. В голям набор от микроданни коефициентът е p<0,001; AI „силно въздействие“, каза той. Но големината на коефициента беше практически незначителна (голяма промяна в дохода измести резултата с една хилядна). Икономистът правилно го формулира като „статистически значим, но икономически незначителен“. Значимостта не беше заместител на важността.
Таблица за модериране на коментари
казва изкуственият интелект
– пита икономистът
"X увеличава Y"
Пропусната променлива? Обратна причинно-следствена връзка?
„R-квадрат е висок, моделът е добър“
Стационарни ли са сериите? Фалшива регресия?
"p<0,05, значимо"
Размерът има ли значение от икономическа гледна точка?
"Коефициент 0,3"
Неговият знак и единица съвместими ли са с теорията?
„Връзката е силна“
Предубеден ли е изборът на извадка?
Четири копируеми шаблона
1) Скица за монтаж на модела:
Ще разгледам следния икономически въпрос: [въпрос]. Зависима променлива: [Y]. Дескриптори на кандидати: [X]. Предложете ми подходяща първоначална настройка на регресия (код на statsmodels). Обяснете кои контролни променливи са необходими и защо. НЕ претендирайте за причинно-следствена връзка; Използвайте езика на взаимоотношенията.
2) Диагностични тестове:
Напишете в код диагностичните тестове за регресията, която зададох: автокорелация, хетероскедастичност, мултиколинеарност, дисперсия на остатъците и стационарност (ако е времева серия). Напишете накратко как да тълкувате всеки резултат от теста и какво да правите, ако има проблеми.
3) Контрол на причинно-следствената връзка:
Интерпретирайте този резултат от регресията, но първо проверете тези три клопки: (1) може ли да има пропусната променлива и коя, (2) възможна ли е обратната причинно-следствена връзка, (3) стационарни ли са сериите / има ли риск от фалшива регресия? Посочете ясно дали резултатът трябва да се тълкува като причинен или просто релационен.
4) Разграничение между значимост и важност:
Интерпретирайте следния коефициент: стойност [x], стандартна грешка [y], p-стойност [z]. Оценявайте отделно статистическата значимост, отделно икономическата значимост: големината на този коефициент практически значим ефект ли е? Конкретизирайте мащаба на въздействието в примерен сценарий.
Слаба подкана / Силна подкана
Слаба подкана:
Направете регресия с тези променливи и интерпретирайте резултата.
Изкуственият интелект го интерпретира на каузален език, без да извършва диагностични тестове или да проверява стационарността; фалшива регресия или пропусната променлива е пропусната.
Мощна подкана:
Зависимата променлива е потреблението, обяснителният доход; месечни, актуални серии. Първо тествайте стационарността; вземете разлика, ако е необходимо. Настройте регресията, изпълнете диагностични тестове (автокорелация, хетероскедастичност). Изрично обсъдете рисковете от пропуснати променливи и обратна причинно-следствена връзка при интерпретиране на резултата; Използвайте релационен, а не причинно-следствен език. Оценете значимостта и икономическата значимост отделно и дайте кода за всяка стъпка.
Често срещани грешки
- Грешна корелация за причинно-следствена връзка. Най-честата и най-скъпа грешка.
- Грешка с висок R-квадрат за качество. Също така е с високо ниво на фалшиви регресии.
- Заобикаляне на проверката на стазиса. Модните сериали създават фалшиви връзки.
- Объркване на смислеността със значимостта. Малкото p не означава голям ефект.
- Пропускане на диагностични тестове. Нарушеното предположение побеждава цялото заключение.
- Приемане на каузалния език на ИИ такъв, какъвто е. Съдът принадлежи на човека.
В обобщение
Регресията е мощен, но измамен инструмент. Коефициент на четене, стандартна грешка, p-стойност и R-квадрат правилно; разграничаване между корелация и причинно-следствена връзка; проверка за пропуснати променливи, обратна причинно-следствена връзка и фалшиви регресионни капани; Необходимо е да се прави разлика между значимост и икономическа значимост. AI се ускорява в генерирането на код и диагностика, но говори твърде причинно; Изборът на модел и преценката за причинно-следствената връзка остават на икономиста.
Задача за приложение
Настройте проста регресия с данните, които имате (напр. потребление-доход). Направете настройката с първия шаблон и диагностичните тестове с втория шаблон. След това проверете за причинно-следствена връзка с шаблон 3, като посочите поне една възможна пропусната променлива и един сценарий на обратна причинно-следствена връзка. Преведете причинно-следствено изречение от първоначалната интерпретация на AI на релационен език и отбележете промяната.
контролен списък
- [ ] Прочетох правилно коефициента, стандартната грешка, p-стойността и R-квадрата.
- [ ] Проверих стационарността на серията и елиминирах риска от фалшива регресия.
- [ ] Наименувах пропуснатата променлива и възможностите за обратна причинно-следствена връзка.
- [ ] Проведох диагностични тестове и оцених нарушенията.
- [ ] Оцених отделно статистическата значимост и икономическата значимост.
- [ ] Начертах каузалния език на изкуствения интелект в релационния език.
- [ ] Твърдях, че изборът на модел и преценката за причинно-следствената връзка са мои.