利益:
- 回帰出力 (係数、標準誤差、p 値、R 二乗) を正確に読み取り、人工知能の解釈を批判的に評価する能力
- 相関因果関係の区別、内生性、省略された変数、偽の回帰などの落とし穴を認識し、人工知能の過剰な因果言語を抑制する能力
- モデルの選択と解釈の責任を人間に任せ、モデルのセットアップ、コード、診断テストの作成に人工知能を使用する能力
計量経済学は経済理論をデータでテストする学問であり、回帰はその基本ツールです。 「所得が増えると消費はどのくらい増えるのか？」「金利と投資にはどのような関係があるのか？」。このような質問は回帰によって定量化されます。 AI は、この分野では非常に便利であると同時に非常に危険です。AI はモデル コードと診断テストを数秒で作成しますが、出力を解釈する際には過度に因果関係があり、過度に正確になることがよくあります。 「X は Y を増加させます」という文を流暢に話します。一方、ほとんどの回帰は 1 つの関係のみを測定します。この単元の要点は次のとおりです。モデルのセットアップ、コード、診断テストに AI を使用します。ただし、モデルの選択、因果関係の判断、解釈の責任は人間にあります。
回帰出力の読み取り
単純な回帰の出力では、次の 4 つのことが調べられます。
- 係数。説明変数が 1 単位増加したときに従属変数がどの程度変化するかの推定値。符号 (プラス/マイナス) と大きさには経済的な意味がなければなりません。
- 標準誤差。係数推定の不確実性。小さい場合、推定はより正確になります。
- p値。 「実際にはゼロ」であるという仮定の下で、係数がこれほど大きくなる確率。 p が小さい (< 0.05) ことは「統計的に有意」であると言われますが、これは経済的な重要性や因果関係を意味するものではありません。
- R二乗。モデルが従属変数の変化をどの程度説明するか。 R 二乗値が高いことは「正しいモデル」を意味するわけではありません。また、偽の回帰も多くなる可能性があります。
ヒント: 統計的有意性と経済的有意性を混同しないでください。非常に小さく、実際には重要ではない効果であっても、大規模なサンプルでは「重要」である (p が小さい) ことが判明する場合があります。まず、「この係数の大きさは経済的に重要か？」 』と考えてから、意義を探します。
相関関係は因果関係ではない: 典型的な落とし穴
これは計量経済学の中心となる警告です。回帰によって見つかる関係は、多くの場合、因果関係ではありません。主な落とし穴:
- 省略された変数。 X と Y の両方に影響を与えるが、モデルには含まれていない 3 番目の要素は、X と Y の間に偽の関係を作成します。(例: 教育と収入の関係で「能力」が省略されている場合、係数は誤解を招くことになります)。
- 逆因果関係 (内生性)。 X が Y に影響を与えると考えられていますが、おそらく Y が X に影響を与えるか、あるいは 2 つが相互に作用する可能性があります。 (警察の数と犯罪: 犯罪が増加したため警察が増加したのか?)
- 疑似回帰。 2 つの非定常 (傾向) シリーズは、それらの間に実際の関係がない場合でも、高い R 二乗係数と有意な係数を生成することがあります。時間の経過とともに両方とも成長するからです。
- 選択バイアス。サンプルがランダムでない場合、関係は歪んで測定されます。
因果関係の主張は、適切な設計 (管理された実験、自然実験、操作変数、差分の差などの方法) と明確な仮定によってのみ確立できます。人工知能はこの微妙な点を見逃してしまうことがよくあります。
注意：AIが「この変数はそれを増減します」と言ったら、すぐにブレーキをかけてください。問題: 省略された変数はありますか?逆の因果関係はあり得るでしょうか?シリーズは固定ですか？これら 3 つの質問が行われるまで、因果関係を示す文はレポートに入力されません。
診断テスト
回帰が信頼できるものであるためには、その仮定がテストされます: 残差のパターン (誤差項) (自己相関)、不均一分散性 (不均一分散性)、多重共線性 (説明変数は互いに非常に類似している)、正規分布。人工知能がこれらのテストのコードを作成します。しかし、結果を解釈し、それに応じてモデルを調整するのは経済学者の仕事です。
ミニケース3個
ケース 1 — 偽の回帰。研究者は 2 つの傾向系列 (1 つは名目支出、もう 1 つは名目、もう 1 つは数量) を回帰分析しました。 R 二乗は 0.98 であり、係数は非常に有意でした。 AIは「強い関係性です」と彼は言う。研究者は定常性をテストしました。両方の系列は非定常でした。彼らが別居すると、関係はほとんどなくなりました。 R 二乗値が高いのは、単に両者が時間の経過とともに成長したためです。偽の回帰が捕捉されました。
ケース 2 — 変数が省略されています。ある分析では、「広告費が売上を増加させる」ことがわかりました。経済学者は、モデルに季節の影響はあるのか、と尋ねました。ありませんでした。休暇前には広告も売上も増加していました。この関係の一部は季節性でした。季節ダミー変数を追加すると広告係数が小さくなった。因果関係の主張は緩和された。
ケース 3 — 重要ではあるが重要ではない。大規模なミクロデータセットでは、係数は p<0.001 でした。 AIは「強い影響を与える」と彼は言う。しかし、係数の大きさは実際には無視できます (収入の大きな変化により、結果は 1,000 分の 1 変動しました)。経済学者はそれを「統計的には重要だが経済的には重要ではない」と正しく枠組みしました。重要性は重要性の代わりにはなりませんでした。
コメント管理テーブル
人工知能は言う
経済学者は尋ねる
「X は Y を増加させます」
変数が省略されましたか?逆因果関係？
「R二乗が高く、モデルが良い」
シリーズは固定ですか？偽の回帰？
「p<0.05、有意」
サイズは経済的に重要ですか?
「係数0.3」
その記号と単位は理論と互換性がありますか?
「絆は強い」
サンプルの選択に偏りはありますか?
コピー可能な 4 つのテンプレート
1) モデルの設置スケッチ:
次の経済問題を検討します: [質問]。従属変数: [Y]。候補記述子: [X's]。適切な初期回帰セットアップ (statsmodels コード) を提案してください。どの制御変数が必要なのか、そしてなぜ必要なのかを説明します。因果関係を主張しないでください。関係言語を使用します。
2) 診断テスト:
設定した回帰の診断テスト (自己相関、不均一分散性、多重共線性、残差の分散、および定常性 (時系列の場合)) をコードで記述します。各テスト結果の解釈方法と、問題が発生した場合の対処方法を簡単に書きます。
3) 因果関係の制御:
この回帰結果を解釈しますが、最初に次の 3 つの落とし穴を確認してください: (1) 省略された変数がある可能性はありますか、(2) 逆の因果関係はあり得るか、(3) 系列は定常か/偽の回帰のリスクはありますか?結果を因果関係として解釈すべきか、それとも単なる関係性として解釈すべきかを明確に述べてください。
4) 重要性と重要性の区別:
次の係数を解釈します: 値 [x]、標準誤差 [y]、p 値 [z]。統計的有意性と経済的有意性を個別に評価します。この係数の大きさは実際に有意な効果ですか?シナリオ例で影響の大きさを具体的に示します。
弱いプロンプト / 強いプロンプト
弱いプロンプト:
これらの変数を使用して回帰を実行し、結果を解釈します。
人工知能は、診断テストを実行したり定常性をチェックしたりすることなく、それを因果関係のある言語で解釈します。偽の回帰または省略された変数が見逃されます。
強力なプロンプト:
従属変数は消費、つまり説明所得です。毎月のトレンドシリーズ。最初に定常性をテストします。必要に応じて差額を取得します。回帰を設定し、診断テスト (自己相関、不均一分散性) を実行します。結果を解釈する際には、変数の省略と逆因果関係のリスクについて明示的に議論します。因果関係に基づいた言語ではなく、関係に基づいた言語を使用します。重要性と経済的重要性を別々に評価し、各ステップにコードを与えます。
よくある間違い
- 相関関係を因果関係と勘違いする。最も一般的で、最も高くつく間違い。
- R2 値が高いことを品質と誤解しています。また、偽の回帰も多く発生します。
- スタシスチェックをバイパスします。トレンドのシリーズは偽りの関係を生み出します。
- 意味と重要性を混同する。 pが小さいからといって効果が大きいわけではありません。
- 診断テストをスキップします。仮定に違反すると、推論全体が無効になります。
- AIの因果言語をそのまま受け入れる。判断力は人間に属します。
要約すると
回帰は強力なツールですが、落とし穴があります。係数、標準誤差、p 値、R 二乗を正しく読み取ります。相関関係と因果関係を区別する。省略された変数、逆因果関係、偽の回帰の落とし穴をチェックします。重要性と経済的重要性を区別する必要がある。 AI はコードと診断の生成において加速していますが、それはあまりにも因果関係を言いすぎます。モデルの選択と因果関係の判断は経済学者に任されています。
アプリケーションタスク
手持ちのデータ (消費収入など) を使用して単純な回帰を設定します。 1 番目のテンプレートでセットアップを作成し、2 番目のテンプレートで診断テストを作成します。次に、テンプレート 3 で因果関係を確認し、省略される可能性のある変数と逆因果関係シナリオを少なくとも 1 つ指定します。 AI の最初の解釈から因果関係のある文をリレーショナル言語に翻訳し、その変化に注目します。
チェックリスト
- [ ] 係数、標準誤差、p 値、R 二乗を正しく読みました。
- [ ] 系列の定常性をチェックし、偽の回帰のリスクを排除しました。
- [ ] 省略された変数と逆因果関係の可能性を名前にしました。
- [ ] 診断テストを実行し、違反を評価しました。
- [ ] 統計的有意性と経済的有意性を別々に評価しました。
- [ ] 私は人工知能の因果言語を関係言語に描きました。
- [ ] 私は、モデルの選択と因果関係の判断は私にあると主張しました。