سود:
- توانایی خواندن دقیق خروجی رگرسیون (ضریب، خطای استاندارد، p-value، R-square) و ارزیابی انتقادی تفسیر هوش مصنوعی
- توانایی تشخیص مشکلاتی مانند تمایز همبستگی-علیت، درون زایی، متغیرهای حذف شده و رگرسیون کاذب، و مهار زبان علّی بیش از حد هوش مصنوعی.
- امکان استفاده از هوش مصنوعی برای راه اندازی مدل، کد و پیش نویس تست تشخیصی، واگذاری مسئولیت انتخاب و تفسیر مدل به انسان
اقتصاد سنجی رشته آزمایش تئوری اقتصادی با داده است و رگرسیون ابزار اساسی آن است. "مصرف با افزایش درآمد چقدر افزایش می یابد؟"، "رابطه بین بهره و سرمایه گذاری چیست؟" سوالاتی از این دست با رگرسیون کمی سازی می شوند. هوش مصنوعی در این زمینه هم بسیار مفید و هم بسیار خطرناک است: کد مدل و تست های تشخیصی را در چند ثانیه می نویسد، اما اغلب در تفسیر خروجی بیش از حد علت و دقت است. جمله "X افزایش Y" را روان بیان می کند. در حالی که اکثر رگرسیون ها فقط یک رابطه را اندازه گیری می کنند. خلاصه این واحد عبارت است از: استفاده از هوش مصنوعی برای راه اندازی مدل، کد و تست تشخیصی. اما مسئولیت انتخاب مدل، قضاوت علیت و تفسیر را بر عهده انسان بگذارید.
خواندن خروجی رگرسیون
خروجی یک رگرسیون ساده به دنبال چهار چیز است:
- ضریب. تخمین میزان تغییر متغیر وابسته زمانی که متغیر توضیحی یک واحد افزایش می یابد. علامت (بعلاوه / منهای) و بزرگی باید معنای اقتصادی داشته باشد.
- خطای استاندارد عدم قطعیت برآورد ضریب؛ اگر کوچکتر باشد، تخمین دقیق تر است.
- مقدار p احتمال بزرگ شدن ضریب با این فرض که "در واقع صفر" است. گفته می شود که p کوچک (<0.05) از نظر آماری معنی دار است - اما این دلالت بر اهمیت اقتصادی یا علیت ندارد.
- R-squared. مدل چقدر از تغییر متغیر وابسته را توضیح می دهد. R-squared بالا به معنای "مدل صحیح" نیست. همچنین ممکن است در رگرسیون های جعلی زیاد باشد.
نکته: اهمیت آماری را با اهمیت اقتصادی اشتباه نگیرید. حتی یک اثر بسیار کوچک و عملاً بیاهمیت ممکن است در یک نمونه بزرگ «معنیدار» باشد (p کوچک). اول اینکه "آیا اندازه این ضریب از نظر اقتصادی مهم است؟" '، سپس به دنبال اهمیت باشید.
همبستگی علیت نیست: دام های کلاسیک
این اخطار در قلب اقتصاد سنجی است. رابطه ای که با رگرسیون پیدا می شود اغلب علیت نیست. مشکلات عمده:
- متغیر حذف شده عامل سومی که بر X و Y تأثیر می گذارد اما در مدل نیست، رابطه جعلی بین X و Y ایجاد می کند. (مثال: اگر «توانایی» در رابطه بین تحصیلات و درآمد حذف شود، ضریب گمراه کننده خواهد بود.)
- Reverse causality (endogeneity). در حالی که تصور می شود X بر Y تأثیر می گذارد، شاید Y بر X تأثیر می گذارد یا این دو متقابل هستند. (تعداد پلیس و جرم و جنایت: آیا پلیس به دلیل افزایش جرم افزایش یافته است؟)
- رگرسیون شبه. دو سری غیر ثابت (روند) می توانند ضرایب R-squared بالا و قابل توجهی را به دست آورند حتی اگر هیچ رابطه واقعی بین آنها وجود نداشته باشد. فقط به این دلیل که هر دو در طول زمان رشد می کنند.
- سوگیری انتخاب اگر نمونه تصادفی نباشد، رابطه به صورت کج سنجیده می شود.
ادعای علیت تنها با یک طرح مناسب (روش هایی مانند آزمایش کنترل شده، آزمایش طبیعی، متغیر ابزاری، تفاوت در تفاوت) و مفروضات روشن قابل اثبات است. هوش مصنوعی اغلب این ظرافت را از دست می دهد.
احتیاط: اگر هوش مصنوعی گفت "این متغیر آن را افزایش/کاهش می دهد" فوراً ترمز کنید. مشکل: آیا هیچ متغیری حذف شده است؟ آیا علیت معکوس امکان پذیر است؟ آیا سریال ثابت است؟ تا زمانی که این سه سوال مطرح نشود، هیچ جمله علی وارد گزارش نمی شود.
تست های تشخیصی
برای قابل اعتماد بودن یک رگرسیون، مفروضات آن مورد آزمایش قرار میگیرند: الگوی باقیماندهها (اصطلاح خطا) (همبستگی خودکار)، ناهمسانی (هتروسکداستیکی)، چند خطی (متغیرهای توضیحی بسیار شبیه به یکدیگر هستند)، توزیع نرمال. هوش مصنوعی کد این تست ها را می نویسد. اما وظیفه اقتصاددان تفسیر نتایج و تنظیم مدل بر اساس آن است.
سه کیف کوچک
مورد 1 - رگرسیون کاذب. یک محقق دو سری روند را پسرفت کرد (یک هزینه اسمی، یک مقدار اسمی دیگر). R-squared 0.98 بود که این ضریب بسیار معنی دار بود. او گفت هوش مصنوعی یک رابطه قوی است. محقق برای ثابت بودن آزمایش کرد: هر دو سری غیر ثابت بودند. هنگامی که آنها از هم جدا شدند، این رابطه تا حد زیادی ناپدید شد. R-squared بالا صرفاً به این دلیل بود که هر دو در طول زمان رشد کردند. رگرسیون جعلی گرفتار شد.
مورد 2 - متغیر حذف شده. یک تجزیه و تحلیل نشان داد که "هزینه های تبلیغاتی باعث افزایش فروش می شود." این اقتصاددان پرسید: آیا اثر فصلی در مدل وجود دارد؟ وجود نداشت هم تبلیغات و هم فروش قبل از تعطیلات در حال افزایش بود. بخشی از رابطه فصلی بود. وقتی متغیرهای ساختگی فصل اضافه شد، ضریب تبلیغات کوچکتر شد. ادعای علّی ملایم شده است.
مورد 3 - قابل توجه اما ناچیز. در یک مجموعه میکروداده بزرگ، ضریب P<0.001 بود. او گفت که هوش مصنوعی "تاثیر قوی" دارد. اما بزرگی ضریب عملاً ناچیز بود (تغییر زیاد در درآمد نتیجه را یک هزارم جابجا کرد). اقتصاددان به درستی آن را به عنوان «از نظر آماری معنادار اما از نظر اقتصادی ناچیز» تعریف کرد. اهمیت جایگزینی برای اهمیت نبود.
جدول تعدیل نظرات
هوش مصنوعی می گوید
اقتصاددان می پرسد
"X Y را افزایش می دهد"
متغیر حذف شده؟ علیت معکوس؟
"R-squared بالا است، مدل خوب است"
آیا سریال ثابت است؟ رگرسیون ساختگی؟
"p<0.05، معنی دار"
آیا اندازه اهمیت اقتصادی دارد؟
"ضریب 0.3"
آیا علامت و واحد آن با نظریه سازگار است؟
"رابطه قوی است"
آیا انتخاب نمونه مغرضانه است؟
چهار قالب قابل کپی
1) طرح نصب مدل:
سوال اقتصادی زیر را بررسی می کنم: [سوال]. متغیر وابسته: [Y]. توصیفگرهای نامزد: [X's]. یک راه اندازی رگرسیون اولیه مناسب (کد statsmodels) به من پیشنهاد دهید. توضیح دهید که کدام متغیرهای کنترلی مورد نیاز هستند و چرا. ادعای علیت نکنید. از زبان رابطه استفاده کنید
2) تست های تشخیصی:
تست های تشخیصی برای رگرسیونی که من تنظیم کردم را با کد بنویسید: همبستگی خودکار، ناهمگونی، چند خطی، پراکندگی باقیمانده ها، و ثابت بودن (اگر سری زمانی باشد). به طور خلاصه بنویسید که چگونه نتیجه هر آزمایش را تفسیر کنید و در صورت وجود مشکل چه کاری انجام دهید.
3) کنترل علیت:
این نتیجه رگرسیون را تفسیر کنید، اما ابتدا این سه دام را بررسی کنید: (1) آیا متغیر حذف شده وجود دارد و کدام یک، (2) امکان علیت معکوس وجود دارد، (3) آیا سری ثابت هستند / آیا خطر رگرسیون کاذب وجود دارد؟ به روشنی بیان کنید که آیا نتیجه باید به عنوان علّی یا صرفاً رابطه ای تفسیر شود.
4) تمایز اهمیت-اهمیت:
ضریب زیر را تفسیر کنید: مقدار [x]، خطای استاندارد [y]، p-value [z]. اهمیت آماری را به طور جداگانه ارزیابی کنید، اهمیت اقتصادی را جداگانه ارزیابی کنید: آیا بزرگی این ضریب یک اثر عملی قابل توجه است؟ بزرگی ضربه را در یک سناریوی مثال مشخص کنید.
اعلان ضعیف / اعلان قوی
اعلان ضعیف:
با این متغیرها یک رگرسیون انجام دهید و نتیجه را تفسیر کنید.
هوش مصنوعی بدون انجام تستهای تشخیصی یا بررسی ثابت بودن، آن را به زبان علی تفسیر میکند. رگرسیون کاذب یا متغیر حذف شده از قلم افتاده است.
اعلان قدرتمند:
متغیر وابسته مصرف، درآمد توضیحی است. سریال های ماهانه و پرطرفدار ابتدا ثابت بودن را تست کنید. در صورت لزوم تفاوت دریافت کنید رگرسیون را تنظیم کنید، تست های تشخیصی را اجرا کنید (همبستگی خودکار، ناهمسانی). صراحتاً در مورد خطرات متغیرهای حذف شده و علیت معکوس در هنگام تفسیر نتیجه بحث کنید. از زبان رابطه ای به جای علّی استفاده کنید. اهمیت و اهمیت اقتصادی را جداگانه ارزیابی کنید و کد هر مرحله را ارائه دهید.
اشتباهات رایج
- اشتباه همبستگی برای علیت رایج ترین و گران ترین اشتباه.
- اشتباه گرفتن R-square بالا با کیفیت. همچنین در رگرسیون های جعلی زیاد است.
- دور زدن چک استاز. سریال های پرطرفدار روابط جعلی ایجاد می کنند.
- اشتباه گرفتن معناداری با اهمیت. P کوچک به معنای اثر بزرگ نیست.
- رد شدن از تست های تشخیصی فرض نقض شده کل استنتاج را شکست می دهد.
- پذیرش زبان علّی هوش مصنوعی همانطور که هست. قضاوت متعلق به انسان است.
به طور خلاصه
رگرسیون یک ابزار قدرتمند اما در دام است. ضریب خواندن، خطای استاندارد، p-value و R-squared به درستی. تمایز بین همبستگی و علیت؛ بررسی متغیرهای حذف شده، علیت معکوس، و دام های رگرسیون جعلی. باید بین اهمیت و اهمیت اقتصادی تمایز قائل شد. هوش مصنوعی در تولید کد و تشخیص سرعت میگیرد، اما بیش از حد علت و معلولی صحبت میکند. انتخاب مدل و قضاوت علیت بر عهده اقتصاددان است.
وظیفه کاربردی
یک رگرسیون ساده با داده هایی که دارید (به عنوان مثال مصرف-درآمد) تنظیم کنید. راه اندازی را با الگوی اول و تست های تشخیصی با الگوی دوم تولید کنید. سپس علیت را با الگوی 3 بررسی کنید و حداقل یک متغیر حذف شده ممکن و یک سناریوی علیت معکوس را نام ببرید. یک جمله علی را از تفسیر اولیه هوش مصنوعی به زبان رابطه ای ترجمه کنید و تغییر را یادداشت کنید.
چک لیست
- [ ] ضریب، خطای استاندارد، p-value و R-squared را درست خواندم.
- [ ] من ثابت بودن سریال را بررسی کردم و خطر رگرسیون کاذب را از بین بردم.
- [ ] من متغیر حذف شده و احتمالات علیت معکوس را نام بردم.
- [ ] آزمایش های تشخیصی انجام دادم و تخلفات را ارزیابی کردم.
- [ ] من اهمیت آماری و اهمیت اقتصادی را جداگانه ارزیابی کردم.
- [ ] من زبان علی هوش مصنوعی را به زبان رابطه ای کشیده ام.
- [ ] من معتقد بودم که انتخاب مدل و قضاوت علیت با من بود.