רווחים:
- יכולת לקרוא במדויק את פלט הרגרסיה (מקדם, שגיאת תקן, ערך p, ריבוע R) ולהעריך באופן ביקורתי את פרשנות הבינה המלאכותית
- יכולת לזהות מלכודות כמו הבחנה בין מתאם-סיבתי, אנדוגניות, משתנים שהושמטו ורגרסיה מזויפת, ולבלום את השפה הסיבתית המוגזמת של בינה מלאכותית
- יכולת להשתמש בבינה מלאכותית עבור הגדרת מודל, ניסוח קוד וניסוח אבחון, תוך השארת האחריות על בחירת המודל והפרשנות לבני אדם
אקונומטריקה היא הדיסציפלינה של בדיקת תיאוריה כלכלית עם נתונים, ורגרסיה היא הכלי הבסיסי שלה. "כמה עולה הצריכה ככל שההכנסה עולה?", "מה הקשר בין ריבית להשקעה?" שאלות כמו אלה מכומתות על ידי רגרסיה. בינה מלאכותית היא גם מאוד שימושית וגם מאוד מסוכנת בתחום הזה: היא כותבת קוד מודל ומבחנים אבחנתיים תוך שניות, אך לרוב היא סיבתית מדי ומדויקת מדי בעת פירוש הפלט. מדבר בשטף את המשפט "X מגדיל Y"; בעוד שרוב הרגרסיות מודדות רק קשר אחד. התמצית של יחידה זו היא: השתמש ב-AI להגדרת מודל, קוד ובדיקות אבחון; אבל שמור את האחריות לבחירת המודל, שיפוט הסיבתיות והפרשנות על האדם.
קריאת פלט רגרסיה
הפלט של רגרסיה פשוטה מחפש ארבעה דברים:
- מְקַדֵם. הערכה של כמה המשתנה התלוי משתנה כאשר המשתנה המסביר גדל ביחידה אחת. לסימן (פלוס/מינוס) ולגודל חייב להיות משמעות כלכלית.
- שגיאה רגילה. אי הוודאות של אומדן המקדם; אם הוא קטן יותר, ההערכה מדויקת יותר.
- ערך p. ההסתברות שהמקדם יופיע כל כך גדול בהנחה שהוא "בעצם אפס". נאמר כי p קטן (<0.05) הוא "משמעותי סטטיסטית" - אך אין הדבר מרמז על משמעות כלכלית או סיבתיות.
- ריבוע R. כמה מהשינוי במשתנה התלוי המודל מסביר. ריבוע R גבוה אינו אומר "הדגם הנכון"; זה יכול להיות גם גבוה ברגרסיות מזויפות.
טיפ: אל תבלבלו בין מובהקות סטטיסטית למובהקות כלכלית. אפילו השפעה קטנה מאוד, כמעט חסרת משמעות, עשויה להתברר כ"משמעותית" (p קטנה) במדגם גדול. ראשית, "האם גודל המקדם הזה חשוב מבחינה כלכלית?" ', ואז חפש משמעות.
מתאם אינו סיבתיות: מלכודות קלאסיות
זוהי האזהרה בלב האקונומטריה. הקשר שנמצא על ידי רגרסיה הוא לרוב לא סיבתיות. מלכודות עיקריות:
- משתנה הושמט. גורם שלישי שמשפיע גם על X וגם על Y אבל לא נמצא במודל יוצר קשר מזויף בין X ו-Y. (לדוגמה: אם "יכולת" נשמטת ביחס בין השכלה להכנסה, המקדם יהיה מטעה).
- סיבתיות הפוכה (אנדוגניות). בעוד שחושבים ש-X משפיע על Y, אולי Y משפיע על X או שהשניים הדדיים. (מספר המשטרה והפשיעה: האם המשטרה גדלה בגלל שהפשיעה גדלה?)
- פסאודו רגרסיה. שתי סדרות לא נייחות (מגמתיות) יכולות להניב מקדמים גבוהים בריבוע R ומשמעותיים למרות שאין קשר אמיתי ביניהן. רק בגלל ששניהם גדלים עם הזמן.
- הטיית בחירה. אם המדגם אינו אקראי, הקשר נמדד בצורה מוטה.
הטענה בדבר סיבתיות יכולה להתבסס רק עם תכנון מתאים (שיטות כמו ניסוי מבוקר, ניסוי טבעי, משתנה אינסטרומנטלי, הבדל בהפרש) והנחות ברורות. בינה מלאכותית מפספסת לעתים קרובות את העדינות הזו.
זהירות: אם ה-AI אומר "המשתנה הזה מגדיל/מקטין את זה", בלם מיד. בעיה: האם יש משתנים שהושמטו? האם אפשרית סיבתיות הפוכה? האם הסדרה נייחת? שום משפט סיבתי לא נכנס לדוח עד ששלושת השאלות הללו נשאלות.
בדיקות אבחון
כדי שרגרסיה תהיה אמינה, ההנחות שלה נבדקות: דפוס של שיוריות (מונחי שגיאה) (אוטוקורלציה), הטרוסקדסטיות (הטרוסקדסטיות), רב-קוליניאריות (משתנים מסבירים דומים מאוד זה לזה), התפלגות נורמלית. בינה מלאכותית כותבת את הקוד למבחנים הללו; אך תפקידו של הכלכלן לפרש את התוצאות ולהתאים את המודל בהתאם.
שלושה מיני תיקים
מקרה 1 - רגרסיה מזויפת. חוקר חזר בשתי סדרות מגמה (אחת הוצאה נומינלית, אחת נומינלית אחרת כמות); ריבוע R היה 0.98, המקדם היה משמעותי ביותר. AI "זה מערכת יחסים חזקה", אמר. החוקר בדק את הנייחות: שתי הסדרות היו לא נייחות. ברגע שהם הופרדו, הקשר נעלם במידה רבה. ריבוע ה-R הגבוה היה פשוט בגלל ששניהם גדלו עם הזמן. רגרסיה מזויפת נתפסה.
מקרה 2 - משתנה הושמט. ניתוח אחד מצא ש"הוצאות פרסום מגדילות את המכירות". הכלכלן שאל: האם יש השפעה עונתית במודל? לא היה. הן הפרסום והן המכירות גברו לפני החג; חלק מהקשר היה עונתיות. כאשר נוספו משתני דמה עונתיים, מקדם הפרסום הלך וקטן. הטענה הסיבתית רוככה.
מקרה 3 - משמעותי אך לא משמעותי. במערך מיקרו נתונים גדול, מקדם היה p<0.001; AI "השפעה חזקה", אמר. אבל גודל המקדם היה כמעט זניח (שינוי גדול בהכנסה הניע את התוצאה באלפית). הכלכלן הגדיר זאת נכון כ"משמעותי סטטיסטית אך חסרת משמעות כלכלית". המשמעות לא הייתה תחליף לחשיבות.
טבלת ניהול הערות
בינה מלאכותית אומרת
שואל הכלכלן
"X מגדיל את Y"
משתנה הושמט? סיבתיות הפוכה?
"ריבוע R גבוה, הדגם טוב"
האם הסדרה נייחת? רגרסיה מזויפת?
"p<0.05, משמעותי"
האם הגודל משנה מבחינה כלכלית?
"מקדם 0.3"
האם הסימן והיחידה שלו תואמים את התיאוריה?
"הקשר חזק"
האם בחירת המדגם מוטה?
ארבע תבניות הניתנות להעתקה
1) סקיצת התקנה של דגם:
אבחן את השאלה הכלכלית הבאה: [שאלה]. משתנה תלוי: [Y]. מתארי מועמדים: [X's]. הצע לי הגדרת רגרסיה ראשונית מתאימה (קוד statsmodels). הסבר אילו משתני בקרה דרושים ומדוע. אל תטען לסיבתיות; השתמש בשפת מערכת יחסים.
2) בדיקות אבחון:
כתבו בקוד את מבחני האבחון לרגרסיה שהגדרתי: אוטוקורלציה, הטרוסקדסטיות, מולטי-קולינאריות, פיזור שיוריות ונייחנות (אם מדובר בסדרת זמן). כתבו בקצרה כיצד לפרש כל תוצאת בדיקה ומה לעשות אם יש בעיות.
3) בקרת סיבתיות:
פרש את תוצאת הרגרסיה הזו, אך תחילה בדוק את שלושת המלכודות הללו: (1) האם יכול להיות משתנה מושמט ואיזה, (2) האם סיבתיות הפוכה אפשרית, (3) האם הסדרה נייחת / האם יש סיכון לרגרסיה מזויפת? ציינו בבירור אם יש לפרש את התוצאה כסיבתית או כיחסית בלבד.
4) הבחנה בין מובהקות לחשיבות:
פרש את המקדם הבא: ערך [x], שגיאת תקן [y], ערך p [z]. הערכת מובהקות סטטיסטית בנפרד, מובהקות כלכלית בנפרד: האם גודל המקדם הזה הוא השפעה מובהקת מעשית? קונקרטי את גודל ההשפעה בתרחיש לדוגמה.
הנחיה חלשה / הנחיה חזקה
הנחיה חלשה:
בצע רגרסיה עם המשתנים הללו ופרש את התוצאה.
הבינה המלאכותית מפרשת אותו בשפה סיבתית, מבלי לבצע בדיקות אבחון או בדיקת נייחות; רגרסיה מזויפת או משתנה שהושמט מתפספס.
הנחיה עוצמתית:
המשתנה התלוי הוא הצריכה, ההכנסה המסבירה; סדרות חודשיות, מגמתיות. תחילה בדוק נייחות; לקבל הבדל במידת הצורך. הגדר את הרגרסיה, הפעל בדיקות אבחון (אוטוקורלציה, הטרוסקדסטיות). דנו במפורש בסיכונים של משתנים שהושמטו ובסיבתיות הפוכה בעת פרשנות התוצאה; השתמש בשפה התייחסותית ולא סיבתית. להעריך את המשמעות והמשמעות הכלכלית בנפרד ולתת את הקוד לכל שלב.
טעויות נפוצות
- טעות בקורלציה לסיבתיות. הטעות הנפוצה והיקרה ביותר.
- בטעות בריבוע R גבוה באיכות. הוא גם גבוה ברגרסיות מזויפות.
- עקיפת בדיקת הקיפאון. סדרות טרנדיות מייצרות מערכות יחסים מזויפות.
- מבלבלים בין משמעות למשמעות. p קטן לא אומר השפעה גדולה.
- דילוג על בדיקות אבחון. ההנחה שהופרה מביסה את כל ההסקה.
- קבלת השפה הסיבתית של AI כפי שהיא. השיפוט שייך לאדם.
לסיכום
רגרסיה היא כלי רב עוצמה אך מבולגן. מקדם קריאה, שגיאת תקן, ערך p ו-R בריבוע בצורה נכונה; הבחנה בין מתאם לסיבתיות; בדיקת משתנים שהושמטו, סיבתיות הפוכה ומלכודות רגרסיה מזויפות; יש להבחין בין חשיבות לחשיבות כלכלית. בינה מלאכותית מואצת ביצירת קוד ואבחון, אבל היא מדברת באופן סיבתי מדי; בחירת המודל והשיפוט של סיבתיות נתונה בידי הכלכלן.
משימת יישום
הגדר רגרסיה פשוטה עם הנתונים שיש לך (למשל צריכה-הכנסה). הפק את ההגדרה עם התבנית הראשונה, ואת בדיקות האבחון ייצרו עם התבנית השנייה. לאחר מכן בדוק אם יש סיבתיות עם תבנית 3, ציין לפחות משתנה אחד אפשרי שהושמט ותרחיש אחד של סיבתיות הפוכה. תרגם משפט סיבתי מהפירוש הראשוני של ה-AI לשפה יחסית ושימו לב לשינוי.
רשימת בדיקה
- [ ] קראתי נכון את המקדם, שגיאת התקן, ערך p ו-R בריבוע.
- [ ] בדקתי את הנייחות של הסדרה וחסלתי את הסיכון לרגרסיה מזויפת.
- [ ] קראתי למשתנה שהושמט ואפשרויות סיבתיות הפוכה.
- [ ] ערכתי בדיקות אבחון והערכתי הפרות.
- [ ] הערכתי מובהקות סטטיסטית ומובהקות כלכלית בנפרד.
- [ ] שאבתי את השפה הסיבתית של בינה מלאכותית לתוך השפה ההתייחסותית.
- [ ] עמדתי על כך שהבחירה בדגם ושיפוט הסיבתיות היא שלי.