Κέρδη:
- Δυνατότητα ακριβούς ανάγνωσης της εξόδου παλινδρόμησης (συντελεστής, τυπικό σφάλμα, p-value, R-square) και κριτικής αξιολόγησης της ερμηνείας της τεχνητής νοημοσύνης
- Ικανότητα αναγνώρισης παγίδων όπως η διάκριση συσχέτισης-αιτιότητας, ενδογένεια, παραλειπόμενες μεταβλητές και ψευδής παλινδρόμηση και περιορισμός της υπερβολικής αιτιολογικής γλώσσας της τεχνητής νοημοσύνης
- Δυνατότητα χρήσης τεχνητής νοημοσύνης για τη ρύθμιση του μοντέλου, τον κώδικα και τη σύνταξη διαγνωστικών δοκιμών, αφήνοντας την ευθύνη για την επιλογή και την ερμηνεία του μοντέλου στους ανθρώπους
Η Οικονομετρία είναι ο κλάδος ελέγχου της οικονομικής θεωρίας με δεδομένα και η παλινδρόμηση είναι το βασικό της εργαλείο. «Πόσο αυξάνεται η κατανάλωση όσο αυξάνεται το εισόδημα;», «Ποια είναι η σχέση μεταξύ τόκου και επένδυσης;» Ερωτήσεις σαν αυτές ποσοτικοποιούνται με παλινδρόμηση. Η τεχνητή νοημοσύνη είναι και πολύ χρήσιμη και πολύ επικίνδυνη σε αυτόν τον τομέα: γράφει κώδικα μοντέλου και διαγνωστικές δοκιμές σε δευτερόλεπτα, αλλά συχνά είναι υπερβολικά αιτιολογική και υπερβολικά ακριβής κατά την ερμηνεία της εξόδου. Εκφωνεί άπταιστα την πρόταση "X αυξάνει το Υ". ενώ οι περισσότερες παλινδρομήσεις μετρούν μόνο μία σχέση. Η ουσία αυτής της ενότητας είναι: Χρήση τεχνητής νοημοσύνης για ρύθμιση μοντέλου, κώδικα και διαγνωστικές δοκιμές. αλλά κρατήστε την ευθύνη για την επιλογή του μοντέλου, την κρίση της αιτιότητας και την ερμηνεία στον άνθρωπο.
Ανάγνωση εξόδου παλινδρόμησης
Το αποτέλεσμα μιας απλής παλινδρόμησης αναζητά τέσσερα πράγματα:
- Συντελεστής. Μια εκτίμηση του πόσο αλλάζει η εξαρτημένη μεταβλητή όταν η επεξηγηματική μεταβλητή αυξάνεται κατά μία μονάδα. Το πρόσημο (συν/πλην) και το μέγεθος πρέπει να έχουν οικονομική σημασία.
- Τυπικό σφάλμα. Η αβεβαιότητα της εκτίμησης του συντελεστή. Εάν είναι μικρότερο, η εκτίμηση είναι πιο ακριβής.
- p-τιμή. Η πιθανότητα ο συντελεστής να εμφανίζεται τόσο μεγάλος με την υπόθεση ότι είναι «στην πραγματικότητα μηδέν». Το μικρό p (< 0,05) λέγεται ότι είναι «στατιστικά σημαντικό» — αλλά αυτό δεν συνεπάγεται οικονομική σημασία ή αιτιότητα.
- R-τετράγωνο. Πόσο από την αλλαγή στην εξαρτημένη μεταβλητή εξηγεί το μοντέλο. Ένα υψηλό τετράγωνο R δεν σημαίνει το "σωστό μοντέλο". Μπορεί επίσης να είναι υψηλό σε ψευδείς παλινδρομήσεις.
Συμβουλή: Μην συγχέετε τη στατιστική σημασία με την οικονομική σημασία. Ακόμη και ένα πολύ μικρό, πρακτικά ασήμαντο αποτέλεσμα μπορεί να αποδειχθεί «σημαντικό» (μικρό p) σε ένα μεγάλο δείγμα. Πρώτον, "Είναι το μέγεθος αυτού του συντελεστή οικονομικά σημαντικό;" », τότε αναζητήστε τη σημασία.
Η συσχέτιση δεν είναι αιτιότητα: κλασικές παγίδες
Αυτή είναι η προειδοποίηση στην καρδιά της οικονομετρίας. Η σχέση που εντοπίζεται από την παλινδρόμηση συχνά δεν είναι αιτιότητα. Σημαντικές παγίδες:
- Παραλειφθείσα μεταβλητή. Ένας τρίτος παράγοντας που επηρεάζει τόσο το X όσο και το Y, αλλά δεν περιλαμβάνεται στο μοντέλο, δημιουργεί μια ψεύτικη σχέση μεταξύ του X και του Y. (Παράδειγμα: εάν η "ικανότητα" παραλειφθεί στη σχέση μεταξύ εκπαίδευσης και εισοδήματος, ο συντελεστής θα είναι παραπλανητικός.)
- Αντίστροφη αιτιότητα (ενδογένεια). Ενώ πιστεύεται ότι το Χ επηρεάζει το Υ, ίσως το Υ επηρεάζει το Χ ή τα δύο είναι αμοιβαία. (Αριθμοί αστυνομίας και εγκληματικότητα: αυξήθηκε η αστυνομία επειδή αυξήθηκε η εγκληματικότητα;)
- Ψευδο παλινδρόμηση. Δύο μη στάσιμες (τάσεις) σειρές μπορούν να αποδώσουν υψηλά τετράγωνα R και σημαντικούς συντελεστές, παρόλο που δεν υπάρχει πραγματική σχέση μεταξύ τους. Ακριβώς επειδή και οι δύο μεγαλώνουν με τον καιρό.
- Προκατάληψη επιλογής. Εάν το δείγμα δεν είναι τυχαίο, η σχέση μετράται λοξή.
Ο ισχυρισμός της αιτιότητας μπορεί να εδραιωθεί μόνο με κατάλληλο σχεδιασμό (μέθοδοι όπως ελεγχόμενο πείραμα, φυσικό πείραμα, μεταβλητή οργάνων, διαφορά στη διαφορά) και σαφείς υποθέσεις. Η τεχνητή νοημοσύνη συχνά χάνει αυτή τη λεπτότητα.
Προσοχή: Εάν το AI λέει "αυτή η μεταβλητή αυξάνει/μειώνει αυτό", φρενάρετε αμέσως. Πρόβλημα: Παραλείπονται κάποιες μεταβλητές; Είναι δυνατή η αντίστροφη αιτιότητα; Είναι ακίνητη η σειρά; Καμία αιτιολογική πρόταση δεν μπαίνει στην αναφορά μέχρι να τεθούν αυτές οι τρεις ερωτήσεις.
Διαγνωστικές εξετάσεις
Για να είναι αξιόπιστη μια παλινδρόμηση, ελέγχονται οι παραδοχές της: μοτίβο υπολειμμάτων (όροι σφάλματος) (αυτοσυσχέτιση), ετεροσκεδαστικότητα (ετεροσκεδαστικότητα), πολυσυγγραμμικότητα (οι επεξηγηματικές μεταβλητές είναι πολύ παρόμοιες μεταξύ τους), κανονική κατανομή. Η τεχνητή νοημοσύνη γράφει τον κώδικα για αυτές τις δοκιμές. αλλά είναι δουλειά του οικονομολόγου να ερμηνεύσει τα αποτελέσματα και να προσαρμόσει ανάλογα το μοντέλο.
τρεις μίνι θήκες
Περίπτωση 1 — Ψευδής παλινδρόμηση. Ένας ερευνητής οπισθοδρόμησε δύο σειρές τάσεων (μία ονομαστική δαπάνη, μία ονομαστική άλλη ποσότητα). Το R-τετράγωνο ήταν 0,98, ο συντελεστής ήταν εξαιρετικά σημαντικός. Η τεχνητή νοημοσύνη «είναι μια ισχυρή σχέση», είπε. Ο ερευνητής έκανε δοκιμή για σταθερότητα: και οι δύο σειρές ήταν μη στάσιμες. Μόλις χώρισαν, η σχέση εξαφανίστηκε σε μεγάλο βαθμό. Το υψηλό τετράγωνο R ήταν απλώς επειδή και οι δύο αυξήθηκαν με την πάροδο του χρόνου. Έπιασε ψευδή παλινδρόμηση.
Περίπτωση 2 — Παραλειφθείσα μεταβλητή. Μια ανάλυση διαπίστωσε ότι «οι διαφημιστικές δαπάνες αυξάνουν τις πωλήσεις». Ο οικονομολόγος ρώτησε: υπάρχει εποχιακή επίδραση στο μοντέλο; Δεν υπήρχε. Τόσο η διαφήμιση όσο και οι πωλήσεις αυξάνονταν πριν από τις διακοπές. Μέρος της σχέσης ήταν η εποχικότητα. Όταν προστέθηκαν εικονικές μεταβλητές εποχής, ο συντελεστής διαφήμισης έγινε μικρότερος. Η αιτιώδης αξίωση έχει αμβλυνθεί.
Περίπτωση 3 — Σημαντική αλλά ασήμαντη. Σε ένα μεγάλο σύνολο μικροδεδομένων, ο συντελεστής ήταν p<0,001. Η τεχνητή νοημοσύνη «ισχυρός αντίκτυπος», είπε. Όμως το μέγεθος του συντελεστή ήταν πρακτικά αμελητέο (μια μεγάλη αλλαγή στο εισόδημα μετακίνησε το αποτέλεσμα κατά ένα χιλιοστό). Ο οικονομολόγος σωστά το πλαισίωνε ως «στατιστικά σημαντικό αλλά οικονομικά ασήμαντο». Η σημασία δεν ήταν υποκατάστατο της σημασίας.
Πίνακας εποπτείας σχολίων
λέει η τεχνητή νοημοσύνη
Ρωτάει ο οικονομολόγος
"Το Χ αυξάνει το Υ"
Παραλειφθεί η μεταβλητή; Αντίστροφη αιτιότητα;
"Το τετράγωνο R είναι ψηλό, το μοντέλο είναι καλό"
Είναι ακίνητη η σειρά; Ψεύτικη παλινδρόμηση;
"p<0,05, σημαντικό"
Έχει σημασία το μέγεθος οικονομικά;
"Συντελεστής 0,3"
Είναι το πρόσημο και η μονάδα του συμβατά με τη θεωρία;
«Η σχέση είναι δυνατή»
Είναι μεροληπτική η επιλογή δείγματος;
Τέσσερα πρότυπα με δυνατότητα αντιγραφής
1) Σχέδιο εγκατάστασης μοντέλου:
Θα εξετάσω το εξής οικονομικό ερώτημα: [ερώτηση]. Εξαρτημένη μεταβλητή: [Y]. Περιγραφείς υποψηφίων: [X's]. Προτείνετε μου μια κατάλληλη αρχική ρύθμιση παλινδρόμησης (statsmodels code). Εξηγήστε ποιες μεταβλητές ελέγχου χρειάζονται και γιατί. ΜΗΝ ισχυριστείτε την αιτιότητα. Χρησιμοποιήστε τη γλώσσα της σχέσης.
2) Διαγνωστικές εξετάσεις:
Γράψτε σε κώδικα τα διαγνωστικά τεστ για την παλινδρόμηση που έθεσα: αυτοσυσχέτιση, ετεροσκεδαστικότητα, πολυσυγγραμμικότητα, διασπορά υπολειμμάτων και σταθερότητα (αν είναι χρονοσειρά). Γράψτε εν συντομία πώς να ερμηνεύσετε κάθε αποτέλεσμα δοκιμής και τι να κάνετε εάν υπάρχουν προβλήματα.
3) Έλεγχος αιτιότητας:
Ερμηνεύστε αυτό το αποτέλεσμα παλινδρόμησης, αλλά πρώτα ελέγξτε αυτές τις τρεις παγίδες: (1) θα μπορούσε να υπάρχει μια παραλειπόμενη μεταβλητή και ποια, (2) είναι δυνατή η αντίστροφη αιτιότητα, (3) είναι η σειρά ακίνητη / υπάρχει κίνδυνος ψευδούς παλινδρόμησης; Δηλώστε ξεκάθαρα εάν το αποτέλεσμα πρέπει να ερμηνευθεί ως αιτιολογικό ή απλώς σχεσιακό.
4) Διάκριση σημασίας-σημασίας:
Ερμηνεύστε τον ακόλουθο συντελεστή: τιμή [x], τυπικό σφάλμα [y], p-τιμή [z]. Αξιολογήστε τη στατιστική σημασία ξεχωριστά, την οικονομική σημασία ξεχωριστά: είναι το μέγεθος αυτού του συντελεστή μια πρακτικά σημαντική επίδραση; Συγκεκριμένα το μέγεθος της επίπτωσης σε ένα παράδειγμα σεναρίου.
Αδύναμη προτροπή / Ισχυρή προτροπή
Αδύναμη προτροπή:
Κάντε μια παλινδρόμηση με αυτές τις μεταβλητές και ερμηνεύστε το αποτέλεσμα.
Η τεχνητή νοημοσύνη το ερμηνεύει σε μια αιτιολογική γλώσσα, χωρίς να πραγματοποιεί διαγνωστικά τεστ ή να ελέγχει τη σταθερότητα. παραλείπεται η ψευδής παλινδρόμηση ή η παραληφθείσα μεταβλητή.
Ισχυρή προτροπή:
Η εξαρτημένη μεταβλητή είναι η κατανάλωση, το επεξηγηματικό εισόδημα. μηνιαίες, τάσεις σειρές. Πρώτα δοκιμάστε τη σταθερότητα. λάβετε διαφορά εάν χρειάζεται. Ρυθμίστε την παλινδρόμηση, εκτελέστε διαγνωστικά τεστ (αυτοσυσχέτιση, ετεροσκεδαστικότητα). Συζητήστε ρητά τους κινδύνους των παραλειφθέντων μεταβλητών και αντιστρέψτε την αιτιότητα κατά την ερμηνεία του αποτελέσματος. Χρησιμοποιήστε σχεσιακή και όχι αιτιολογική γλώσσα. Αξιολογήστε τη σημασία και την οικονομική σημασία ξεχωριστά και δώστε τον κωδικό για κάθε βήμα.
Συνήθη λάθη
- Λανθασμένη συσχέτιση για αιτιότητα. Το πιο συνηθισμένο και πιο ακριβό λάθος.
- Παρεξηγώντας το υψηλό τετράγωνο R για την ποιότητα. Είναι επίσης υψηλό σε ψευδείς παλινδρομήσεις.
- Παράκαμψη του ελέγχου στάσης. Οι τάσεις σειρές δημιουργούν ψευδείς σχέσεις.
- Συγχέοντας τη σημασία με τη σημασία. Μικρό p δεν σημαίνει μεγάλο αποτέλεσμα.
- Παράλειψη διαγνωστικών εξετάσεων. Η παραβίαση της υπόθεσης ακυρώνει ολόκληρο το συμπέρασμα.
- Αποδοχή της αιτιολογικής γλώσσας του AI ως έχει. Η κρίση ανήκει στον άνθρωπο.
Συνοπτικά
Η παλινδρόμηση είναι ένα ισχυρό αλλά παγιδευμένο εργαλείο. Συντελεστής ανάγνωσης, τυπικό σφάλμα, τιμή p και R-τετράγωνο σωστά. διάκριση μεταξύ συσχέτισης και αιτιώδους συνάφειας. Έλεγχος για παραλειφθείσες μεταβλητές, αντίστροφη αιτιότητα και ψευδείς παγίδες παλινδρόμησης. Είναι απαραίτητο να γίνει διάκριση μεταξύ της σημασίας και της οικονομικής σημασίας. Η τεχνητή νοημοσύνη επιταχύνεται στη δημιουργία κώδικα και διάγνωσης, αλλά μιλάει υπερβολικά αιτιολογικά. Η επιλογή του μοντέλου και η κρίση της αιτιότητας ανήκει στον οικονομολόγο.
Εργασία εφαρμογής
Ρυθμίστε μια απλή παλινδρόμηση με τα δεδομένα που έχετε (π.χ. κατανάλωση-έσοδο). Αναθέστε την παραγωγή της ρύθμισης με το 1ο πρότυπο και των διαγνωστικών δοκιμών που παράγονται με το 2ο πρότυπο. Στη συνέχεια, ελέγξτε για αιτιότητα με το πρότυπο 3, ονομάζοντας τουλάχιστον μία πιθανή παραλειφθείσα μεταβλητή και ένα σενάριο αντίστροφης αιτιότητας. Μεταφράστε μια αιτιολογική πρόταση από την αρχική ερμηνεία του AI σε σχεσιακή γλώσσα και σημειώστε την αλλαγή.
λίστα ελέγχου
- [ ] Διάβασα σωστά τον συντελεστή, το τυπικό σφάλμα, το p-value και το R-squared.
- [ ] Έλεγξα τη σταθερότητα της σειράς και εξάλειψα τον κίνδυνο ψευδούς παλινδρόμησης.
- [ ] Ονόμασα την παραλειπόμενη μεταβλητή και πιθανότητες αντίστροφης αιτιότητας.
- [ ] Έκανα διαγνωστικές εξετάσεις και αξιολόγησα παραβιάσεις.
- [ ] Αξιολόγησα τη στατιστική και την οικονομική σημασία ξεχωριστά.
- [ ] Έχω σχεδιάσει την αιτιολογική γλώσσα της τεχνητής νοημοσύνης στη σχεσιακή γλώσσα.
- [ ] Υποστήριξα ότι η επιλογή του μοντέλου και η κρίση της αιτιότητας ήταν δική μου.