Keuntungan:
- Mampu membedakan mana dalam alur kerja empiris (pembersihan data, kode, visualisasi, interpretasi draf) kecerdasan buatan menghemat waktu nyata dan di mana keputusan seperti pemilihan model, klaim kausalitas, dan keputusan publikasi diserahkan kepada ahlinya, sesuai dengan tingkat risiko tugas
- Kemampuan untuk menerapkan disiplin yang memverifikasi setiap keluaran kecerdasan buatan (angka, koefisien, kode, komentar) melalui langkah-langkah penghitungan ulang, menghubungkan ke sumber dan penyaringan statistik.
- Kemampuan untuk memproses data mikro dan kumpulan data rahasia/berlisensi dengan aman dalam lingkup KVKK/GDPR dan perjanjian penggunaan data serta memperoleh kebiasaan memilih alat yang sesuai.
Pertanyaan yang sama muncul setiap hari di meja ahli ekonometrika atau ahli statistik terapan: Apakah kumpulan data ini dapat diandalkan; Apa yang harus dilakukan dengan nilai-nilai yang hilang ini? Apa sebenarnya yang dimaksud dengan koefisien regresi ini? Apakah hubungan ini bersifat sebab akibat atau sekadar korelasional? Karena p-value ini signifikan, bolehkah saya menuliskannya di artikel atau policy brief? Beberapa dari pertanyaan ini bersifat repetitif, membutuhkan banyak kode, dan memakan waktu: membersihkan data, membuat plot grafik yang sama sepuluh kali, melakukan debug pada kode R atau Python, merangkai hasilnya ke dalam tabel. Pihak lain secara langsung menentukan validitas temuan, kejujuran publikasi, atau keakuratan keputusan kebijakan.
Kecerdasan buatan (singkatnya AI, AI - sistem komputer yang dapat menghasilkan teks dan kode seperti manusia, mengenali pola, merangkum data, dan menulis komentar; bentuk yang paling banyak digunakan saat ini adalah model bahasa besar, yaitu sistem yang dilatih pada teks berukuran besar dan menyusun kalimat dengan memprediksi kata berikutnya) berada tepat di tengah-tengah tabel ini. Bila digunakan dengan benar, ini mengurangi jam kode pembersihan data menjadi menit, mengingatkan Anda tentang sintaks uji statistik yang kompleks, atau menyusun interpretasi koefisien. Jika digunakan secara tidak tepat, angka tersebut menampilkan angka yang tampaknya pasti namun sepenuhnya dibuat-buat, signifikansi yang salah, atau hubungan non-sebab-akibat sebagai "temuan".
Unit pertama ini bukanlah pengenalan perangkat lunak. Tujuannya adalah untuk memperjelas di mana harus menempatkan AI dalam alur kerja empiris Anda dan di mana tidak boleh menempatkannya. Ekonometrika adalah bidang yang "penting terhadap metode" dan secara tidak langsung "penting terhadap keputusan": koefisien model yang Anda buat dapat menjadi masukan bagi keputusan suku bunga bank sentral, perubahan kebijakan regulator, atau investasi jutaan dolar suatu perusahaan. Mari kita jabarkan prinsip dasarnya dari awal: Kecerdasan buatan adalah asisten analisis, bukan peneliti. Tanggung jawab dan persetujuan akhir pemilihan model, strategi identifikasi, penegasan kausalitas, publikasi dan keputusan kebijakan berada di tangan ahli yang kompeten.
Lapisan alur kerja empiris dan tempat AI
Penting untuk membagi studi empiris menjadi tiga lapisan. Lapisan eksekusi adalah pekerjaan teknis sehari-hari: kode pembersihan data, gambar grafik, pemformatan tabel, debugging sintaksis. Lapisan metode adalah keputusan analitis: model yang mana, strategi identifikasi yang mana, pengujian yang mana, pemeriksaan asumsi yang mana. Lapisan interpretasi dan keputusan adalah arti dari temuan-temuan tersebut: apa yang dinyatakan oleh koefisien, apakah bersifat sebab-akibat, apa pengaruhnya bagi kebijakan, apakah hal tersebut harus dipublikasikan. AI menyentuh ketiga lapisan tersebut, tetapi dengan otoritas yang berbeda di masing-masing lapisan. Pada lapisan eksekusi, AI dengan cepat menyusun dan menghasilkan kode; Pada lapisan interpretasi dan keputusan, hanya masukan yang diberikan dan ahli yang mengambil keputusan.
Mari kita definisikan beberapa istilah dasar dari awal. Ekonometrika adalah cabang yang menganalisis data ekonomi dan sosial dengan metode statistik dan mengukur hubungan. Regresi adalah metode yang memodelkan hubungan suatu variabel hasil (variabel terikat) secara numerik dengan satu atau lebih variabel penjelas (variabel bebas). Koefisien adalah angka yang menunjukkan berapa banyak satuan perubahan rata-rata yang dikaitkan dengan satu satuan perubahan suatu variabel penjelas pada variabel hasil. Nilai p adalah probabilitas bahwa hasil yang diamati (atau hasil yang lebih ekstrim) akan terjadi secara kebetulan, padahal sebenarnya tidak ada efek yang terjadi. Konsep-konsep tersebut akan kami jelaskan satu per satu pada unit berikut; Untuk saat ini, ketahuilah ini: Dalam semua hal ini, AI memberi Anda cetak biru, kode, dan penjelasan, namun AI tidak membuat keputusan ilmiah.
Tabel berikut merangkum peran dan tingkat risiko AI berdasarkan misinya:
Pencarian
Peran AI
Tingkat risiko
Siapa yang menyetujui
Menulis kode sanitasi data
pembuat kode
rendah
Analis sendiri (dengan pengujian kode)
Draf bagan/tabel
pembuat sketsa
rendah
analis
Pengingat sintaks pengujian/model
Asisten referensi
rendah-sedang
analis
Interpretasi koefisien draf
penulis naskah
sedang
ahli ekonometrika
Pemilihan strategi model/identifikasi
masukan tambahan
tinggi
peneliti ahli
Klaim sebab akibat
Hanya draf, belum pernah menjadi kata akhir
sangat tinggi
Tinjauan ahli + sejawat
Publikasi/keputusan kebijakan
masukan saja
sangat tinggi
Penyidik/lembaga yang bertanggung jawab
Ingatlah satu baris dalam tabel ini: seiring dengan meningkatnya risiko, peran AI menyusut dan persetujuan pakar meningkat.
Mengapa "verifikasi" adalah inti dari bisnis ini
Model bahasa tampak yakin dengan jawabannya, namun mungkin tidak yakin. Dalam bahasa teknis, hal ini disebut halusinasi: ini adalah pembuatan model atas informasi yang tidak ada dalam kalimat yang lancar, seolah-olah itu benar. Bagi seorang ahli ekonometrika, ini adalah jebakan yang mematikan. Model tersebut dapat memberikan Anda angka pasti seperti "Korelasi antara pengangguran dan inflasi di Türkiye antara 2015-2020 adalah 0,62"; Namun, dia belum pernah melihat data Anda dan nomor ini sepenuhnya dibuat-buat. Atau mungkin dikatakan, “Nilai p uji putih adalah 0,03”; padahal itu tidak menjalankan tes apa pun. Itu bisa memanggil fungsi R dengan argumen yang sebenarnya tidak ada. Dia menyanyikan ketiganya dengan kefasihan yang sama; Satu-satunya hal yang membedakan benar dan salah adalah pengetahuan Anda dan kebiasaan Anda memverifikasi.
Disiplin verifikasi terdiri dari tiga langkah:
- Hitung ulang / jalankan di lingkungan Anda sendiri: Hitung setiap angka, rasio, hasil tes dan koefisien yang diberikan oleh AI di R/Python dengan data Anda sendiri, bukan dari memori AI. Gunakan AI untuk menulis kode, bukan untuk mengingat hasilnya. Jalankan kodenya, Anda menghasilkan output.
- Tautan ke sumber: Andalkan buku teks, artikel metode, dan dokumen resmi untuk aturan metode, rumus, dan definisi. Konfirmasikan pernyataan AI "asumsi pengujian ini adalah" dengan sumber yang dapat dipercaya.
- Filter statistik: Uji dengan pandangan ahli apakah keluaran bertentangan dengan logika statistik (asumsi, sampel, ukuran efek, ketidakpastian). Tolak hasil yang "bermakna namun tidak masuk akal".
Perhatian: Menempatkan koefisien, pengujian, atau interpretasi yang dihasilkan AI dalam artikel, tesis, atau catatan kebijakan tanpa memvalidasinya seperti menerbitkan temuan yang belum ditinjau. Hanya karena keluarannya lancar tidaklah benar; Hanya karena angkanya tampak pasti, padahal itu tidak nyata.
Privasi: data mikro dan data berlisensi dilindungi secara pribadi
Microdata (catatan tunggal pada tingkat individu, rumah tangga, perusahaan atau pasien) sering digunakan dalam ekonometrika. Sebagian besar data ini adalah data pribadi dan dilindungi berdasarkan KVKK (Undang-undang Perlindungan Data Pribadi) di Türkiye dan GDPR di Eropa. Selain itu, TurkStat, bank sentral, penyedia data panel, dan sumber komersial sering kali menyediakan data dengan perjanjian penggunaan data; Perjanjian ini melarang transfer data ke pihak ketiga. Menempelkan tabel yang berisi informasi identitas, pendapatan, kesehatan, atau rahasia perusahaan ke dalam alat obrolan AI publik merupakan pelanggaran KVKK/GDPR dan juga pelanggaran kontrak; karena data masuk ke server eksternal dan dapat digunakan dalam pelatihan model di beberapa alat.
Aturannya sederhana: simpan data di lingkungannya yang aman, minta kode dan metode kepada AI saja. Alur kerja yang ideal adalah ini: minta kode analisis kepada AI, Anda menjalankan kode tersebut dengan data sebenarnya di komputer/server perusahaan Anda sendiri. Jika Anda benar-benar harus berbagi data, lakukan anonimisasi (hapus kolom ID), agregat (rata-rata/hitungan, bukan individual), dan pilih alat yang bersifat institusional, memiliki perjanjian pemrosesan data, dan jangan menggunakan data Anda untuk pendidikan.
tiga kasus mini
Kasus 1 — Penggunaan yang aman dan efisien. Seorang peneliti pertama-tama menghabiskan 6 jam untuk membersihkan 40.000 baris data anggaran rumah tangga secara manual. Tanpa membagikan data sama sekali, dia hanya menjelaskan nama variabel dan strukturnya kepada AI dan meminta kode pembersihan. AI menghasilkan skrip R; Peneliti menjalankan kode di lingkungannya sendiri, memeriksa jumlah baris dan ringkasan statistik setiap langkah, dan memperbaiki dua kesalahan logika. Durasi: 70 menit, bukan 6 jam. Datanya tidak pernah keluar; Tanggung jawab tetap berada pada peneliti.
Kasus 2 — Perangkap nomor yang belum terverifikasi. “Berapa elastisitas antara pertumbuhan PDB dan investasi asing langsung,” seorang mahasiswa pascasarjana bertanya kepada AI. AI dengan percaya diri memberikan angka "sekitar 0,34" meskipun tidak memiliki akses ke data apa pun. Siswa menulis ini dalam ringkasan literatur; Saat penasehatnya menanyakan sumbernya, ternyata nomor tersebut tidak ada dasarnya dan sepenuhnya dibuat-buat. Kesalahan: Mengharapkan statistik konkrit dari AI tanpa memberikan data dan sumber daya padanya.
Kasus 3 — Kerahasiaan dan pelanggaran kontrak. Seorang analis mengunggah Excel, yang ia terima dari panel perusahaan berlisensi, yang berisi nama perusahaan dan omsetnya, ke alat AI yang tersedia untuk umum dan berkata "lakukan regresi panel". Kontrak penyedia data melarang transfer data ke sistem pihak ketiga; Insiden ini mendorong dilakukannya peninjauan kepatuhan. Cara yang benar adalah mengganti nama perusahaan dengan kode anonim atau tidak membagikan data dan hanya meminta kode regresi panel dan menjalankannya di lingkungannya sendiri.
Perintah lemah / Perintah kuat
Perintah yang lemah:
Analisis hubungan antara inflasi dan pengangguran dan nyatakan koefisiennya.
Klaim ini salah: Tidak ada data yang diberikan kepada AI, tidak jelas negara mana, periode apa, model apa. AI hanya bisa menjawab dengan koefisien yang dibuat-buat.
Perintah yang kuat:
Peran Anda: Anda adalah asisten analisis yang membantu peneliti ekonometrik. SAYA TIDAK membagikan data tersebut kepada Anda; Saya hanya ingin kode R RUNNABLE. Saya memiliki panel tahunan: variabel negara, tahun, pengangguran, inflasi (semua numerik). Tugas: 1) menulis kode regresi panel efek tetap untuk pengangguran ~ inflasi (paket plm), 2) menjelaskan setiap langkah dalam kode dengan baris komentar, 3) perhatikan bahwa koefisien harus ditafsirkan sebagai relasional, bukan KAUSAL, 4) membuat argumen fungsi yang Anda tidak yakin; Saya akan menjalankan dan memverifikasi hasilnya di lingkungan saya sendiri.
Dalam permintaan ini, tidak ada data yang dibagikan, peran, paket, ekspektasi komentar, dan larangan "fabrikasi" jelas. Anda masih menjalankan dan memverifikasi sendiri hasilnya.
Tabel berikut merangkum aturan satu kalimat dalam pelajaran ini:
prinsip
Apa maksudnya?
AI adalah asisten
Keputusan dan tanggung jawab ilmiah ada di tangan ahlinya
Minta kodenya, hasilkan hasilnya
AI tidak mengingat nomornya; Anda menjalankannya dan menghitung
menyimpan data
Data mikro/berlisensi tidak meninggalkan lingkungan yang aman
verifikasi
Setiap masalah, kode, komentar diperiksa; fabrikasi ditolak
Kesalahan umum
- Mengharapkan statistik konkrit dari AI tanpa memberikan data. Model tidak dapat mengakses data; Koefisien, korelasi, dan nilai p yang diberikannya palsu. Selalu minta kode dan hasilkan sendiri.
- Mengandalkan fungsi halusinasi. AI mungkin menyarankan fungsi atau argumen R/Python yang tidak ada. Jangan menerima kode tanpa menjalankan dan memverifikasinya.
- Mengunggah mikrodata ke alat publik. Ini merupakan pelanggaran terhadap KVKK/GDPR dan perjanjian penggunaan data. Anonimkan data atau jangan bagikan sama sekali.
- Salah mengira kefasihan sebagai akurasi. Ulasan yang ditulis dengan baik mungkin tidak akurat. Keindahan kalimat bukanlah bukti.
- Menerima bahasa kausal tanpa kendali. YZ sering mengatakan “X menambah Y”; sedangkan kebanyakan regresi hanya menunjukkan hubungan. Pertahankan klaim sebab akibat dengan desain.
Tip: Saat bekerja dengan AI, tanyakan pada diri Anda pertanyaan ini: “Jika pemberi referensi atau auditor meminta keluaran ini, bolehkah saya menunjukkan sumber dan akunnya?” Jika jawabannya tidak, maka outputnya belum siap digunakan.
Singkatnya
AI memberikan akselerasi yang nyata dan masif pada lapisan eksekusi (kode, pembersihan, grafik, draf) alur kerja ekonometrik dan statistik; namun pemilihan model, kausalitas, interpretasi, publikasi dan keputusan kebijakan adalah milik ahli. Tiga disiplin dasar: jangan ingatkan AI tentang nomor tersebut, minta kodenya dan buat serta verifikasi sendiri hasilnya; jangan menghapus data mikro/berlisensi dari lingkungan aman; menyaring statistik setiap keluaran. Hasil AI yang belum terverifikasi sama berisikonya dengan temuan yang belum ditinjau.
Tugas aplikasi
Pertimbangkan kumpulan data Anda sendiri (atau contoh). Mintalah AI untuk kode R atau Python yang menghasilkan statistik deskriptif dan grafik sederhana hanya dengan mendeskripsikan struktur variabel, tanpa membagikan data. Jalankan kode masuk di lingkungan Anda sendiri. Kemudian simpan daftar periksa: (1) apakah kode berjalan tanpa kesalahan, (2) jumlah baris/pengamatan sesuai yang Anda harapkan, (3) kalimat komentar AI mana yang menggunakan bahasa kausal dan harus diperbaiki. Dalam satu paragraf, tulis tentang waktu AI menyelamatkan Anda dan setidaknya satu bug yang Anda temukan.
daftar periksa
- [ ] Saya tidak membuat AI meminta statistik konkrit; Saya meminta kode dan menghasilkan sendiri hasilnya.
- [ ] Saya menghitung ulang setiap angka dan hasil tes yang diberikan di lingkungan saya sendiri.
- [ ] Saya memverifikasi bahwa fungsi/argumen yang digunakannya benar-benar ada.
- [ ] Saya tidak mengunggah data mikro/pribadi/berlisensi ke alat publik.
- [ ] Saya menandai komentar yang mengandung bahasa kausal dan memindahkannya ke bahasa relasional.
- [ ] Saya dapat menunjukkan sumber dan akuntansi keluarannya kepada auditor.