Табыстар:
- Регрессия нәтижесін (коэффициент, стандартты қате, p-мәні, R-квадрат) дәл оқу және жасанды интеллект интерпретациясын сыни бағалау мүмкіндігі
- Корреляциялық-себептік айырмашылық, эндогендік, қабылданбаған айнымалылар және жалған регрессия сияқты қателерді тану және жасанды интеллекттің шамадан тыс себептік тілін тежеу мүмкіндігі
- Модельді орнату, кодтау және диагностикалық сынақ жобасын жасау үшін жасанды интеллектті пайдалану мүмкіндігі, модель таңдау және түсіндіру жауапкершілігін адамдарға қалдырады.
Эконометрика – бұл экономикалық теорияны деректермен тексеру пәні, ал регрессия оның негізгі құралы болып табылады. «Табыс өскен сайын тұтыну қаншаға өседі?», «Пайыз бен инвестиция арасында қандай байланыс бар?». Мұндай сұрақтар регрессия арқылы сандық түрде анықталады. Бұл салада AI өте пайдалы және өте қауіпті: ол модель кодын және диагностикалық сынақтарды секундтарда жазады, бірақ нәтижені түсіндіру кезінде жиі тым себепті және тым дәл болады. «Х көбейтеді У» сөйлемін еркін айтады; ал регрессиялардың көпшілігі бір ғана қатынасты өлшейді. Бұл құрылғының мәні: Үлгіні орнату, кодтау және диагностикалық тестілеу үшін AI пайдалану; бірақ үлгіні таңдау, себеп-салдарлық пайымдау және адамға түсіндіру жауапкершілігін сақтаңыз.
Регрессия нәтижесін оқу
Қарапайым регрессияның нәтижесі төрт нәрсені іздейді:
- Коэффицент. Түсіндірме айнымалы бір бірлікке артқанда тәуелді айнымалының қаншалықты өзгеретінін бағалау. Таңба (плюс/минус) және шама экономикалық мағынаға ие болуы керек.
- Стандартты қате. Коэффициентті бағалаудың белгісіздігі; Егер ол кішірек болса, бағалау дәлірек болады.
- p-мәні. Коэффиценттің «шын мәнінде нөлге тең» деген болжамда осыншама үлкен болып көріну ықтималдығы. Кіші p (< 0,05) «статистикалық маңызды» деп айтылады, бірақ бұл экономикалық маңыздылықты немесе себептілікті білдірмейді.
- R-шаршы. Модель тәуелді айнымалының қанша өзгерісін түсіндіреді. Жоғары R-квадрат «дұрыс үлгі» дегенді білдірмейді; Ол жалған регрессияларда да жоғары болуы мүмкін.
Кеңес: Статистикалық мәнді экономикалық мәнмен шатастырмаңыз. Тіпті өте кішкентай, іс жүзінде елеусіз әсер үлкен үлгіде «маңызды» (кіші p) болып шығуы мүмкін. Біріншіден, «Бұл коэффициенттің мөлшері экономикалық маңызды ма?». ', содан кейін маңыздылығын іздеңіз.
Корреляция себепті байланыс емес: классикалық тұзақтар
Бұл эконометриканың өзегіндегі ескерту. Регрессия арқылы табылған байланыс көбінесе себептілік емес. Негізгі қателіктер:
- Өшірілмеген айнымалы. X және Y екеуіне де әсер ететін, бірақ модельде жоқ үшінші фактор X және Y арасында жалған қатынас жасайды. (Мысалы: білім мен табыс арасындағы қатынаста «қабілет» алынып тасталса, коэффициент жаңылыстырады.)
- Кері себептілік (эндогендік). X-ке Y-ге әсер етеді деп есептелсе де, Y-ге X-ке әсер етуі мүмкін немесе екеуі өзара. (Полиция саны және қылмыс: қылмыс көбейгендіктен полиция көбейді ме?)
- Псевдорегрессия. Екі стационарлық емес (тренді) қатар олардың арасында нақты байланыс болмаса да, жоғары R-квадратты және маңызды коэффициенттерді бере алады. Өйткені екеуі де уақыт өте келе өседі.
- Таңдаудың бұрмалануы. Егер таңдама кездейсоқ болмаса, қатынас қиғаш өлшенеді.
Себеп-салдарлық туралы мәлімдеме тек сәйкес жобамен (бақыланатын эксперимент, табиғи эксперимент, аспаптық айнымалы, айырмашылық-айырмашылық сияқты әдістер) және нақты болжамдармен белгіленуі мүмкін. Жасанды интеллект бұл нәзіктікті жиі жіберіп алады.
Абайлаңыз: AI «бұл айнымалы мән оны арттырады/азайтады» десе, дереу тежеңіз. Мәселе: Ешқандай айнымалы мәндер жоқ па? Кері себептілік мүмкін бе? Қатар стационарлық па? Осы үш сұрақ қойылмайынша ешбір себеп-салдар сөйлем есепке кірмейді.
Диагностикалық сынақтар
Регрессия сенімді болу үшін оның болжамдары тексеріледі: қалдықтардың үлгісі (қате терминдері) (автокорреляция), гетероскедастикалық (гетероскедастикалық), мультиколлинеарлық (түсіндірмелі айнымалылар бір-біріне өте ұқсас), қалыпты таралу. Жасанды интеллект осы сынақтардың кодын жазады; бірақ нәтижелерді түсіндіру және соған сәйкес үлгіні түзету экономисттің міндеті.
үш шағын іс
1-жағдай – Жалған регрессия. Зерттеуші екі тренд сериясын регрессиялады (бір номиналды шығыс, бір номиналды басқа сан); R-квадрат 0,98, коэффициенті жоғары мәнді болды. AI «мықты қарым-қатынас» деді ол. Зерттеуші стационарлылықты тексерді: екі қатар да стационарлық емес болды. Олар ажырасқаннан кейін қарым-қатынас айтарлықтай жоғалып кетті. Жоғары R квадраты олардың екеуі де уақыт өте келе өскендіктен болды. Жалған регрессия ұсталды.
2-жағдай — Өшірілмеген айнымалы. Бір талдау «жарнамаға жұмсалатын шығындар сатуды арттырады» деп тапты. Экономист сұрақ қойды: модельде маусымдық әсер бар ма? Болмады. Мереке қарсаңында жарнама да, сатылым да арта түсті; Қарым-қатынастың бір бөлігі маусымдық болды. Маусымдық айнымалы мәндерді қосқанда, жарнама коэффициенті кішірейді. Себеп-салдарлық шағым жұмсартылған.
3-жағдай — Маңызды, бірақ елеусіз. Үлкен микродеректер жиынтығында коэффициент p<0,001 болды; AI «күшті әсер» деді ол. Бірақ коэффициенттің шамасы іс жүзінде болмашы болды (табыстың үлкен өзгеруі нәтижені мыңнан біріне жылжытты). Экономист оны «статистикалық тұрғыдан маңызды, бірақ экономикалық тұрғыдан елеусіз» деп дұрыс тұжырымдаған. Маңыздылық маңыздылықты алмастыра алмады.
Пікір модерациясының кестесі
жасанды интеллект айтады
Экономист сұрайды
«X У-ды арттырады»
Айнымалы мән қабылданбады ма? Кері себепті байланыс?
«R-квадрат жоғары, үлгі жақсы»
Қатар стационарлық па? Жалған регрессия?
"p<0,05, маңызды"
Өлшем экономикалық тұрғыдан маңызды ма?
«0,3 коэффициенті»
Оның таңбасы мен бірлігі теорияға сәйкес келе ме?
«Қатынас күшті»
Үлгі таңдау біржақты ма?
Көшірілетін төрт үлгі
1) Үлгіні орнату эскизі:
Мен келесі экономикалық сұрақты қарастырамын: [сұрақ]. Тәуелді айнымалы: [Y].Үміткер дескрипторлар: [X's]. Маған қолайлы бастапқы регрессиялық орнатуды ұсыныңыз (statsmodels коды). Қандай басқару айнымалылары қажет және не үшін қажет екенін түсіндіріңіз. Себеп-салдарлық байланысты талап етпеңіз; Қарым-қатынас тілін қолданыңыз.
2) диагностикалық сынақтар:
Мен орнатқан регрессияның диагностикалық сынақтарын кодта жазыңыз: автокорреляция, гетероскедастық, мультиколлинеарлық, қалдық дисперсиясы және стационарлық (егер бұл уақыттық қатар болса). Әрбір сынақ нәтижесін қалай түсіндіру керектігін және проблемалар туындаған жағдайда не істеу керектігін қысқаша жазыңыз.
3) Себеп-салдарлық байланысты бақылау:
Осы регрессия нәтижесін түсіндіріңіз, бірақ алдымен осы үш қатені тексеріңіз: (1) өткізілмеген айнымалы болуы мүмкін және қайсысы, (2) кері себептілік мүмкін, (3) қатар стационарлы ма / жалған регрессия қаупі бар ма? Нәтижені себеп-салдарлық немесе жай қатыстылық ретінде түсіндіру керек пе екенін нақты көрсетіңіз.
4) Маңыздылық-маңыздылық айырмашылығы:
Келесі коэффициентті түсіндіріңіз: мән [x], стандартты қате [y], p-мәні [z]. Статистикалық маңыздылықты бөлек, экономикалық маңыздылықты бөлек бағалаңыз: бұл коэффициенттің шамасы іс жүзінде маңызды әсер ете ме? Мысал сценарийде әсердің шамасын нақтылаңыз.
Әлсіз шақыру / Күшті шақыру
Әлсіз шақыру:
Осы айнымалылармен регрессия жасаңыз және нәтижені түсіндіріңіз.
Жасанды интеллект оны диагностикалық сынақтарсыз немесе стационарлылықты тексермей, себепті тілде түсіндіреді; жалған регрессия немесе өткізілмеген айнымалы өткізілмейді.
Күшті шақыру:
Тәуелді айнымалы тұтыну, түсіндірме кіріс; ай сайынғы, трендті сериялар. Алдымен стационарлықты тексеріңіз; қажет болса, айырмашылықты алыңыз. Регрессияны орнатыңыз, диагностикалық сынақтарды орындаңыз (автокорреляция, гетероскедастық). Нәтижені интерпретациялау кезінде қабылданбаған айнымалылардың тәуекелдерін және кері себептілікті нақты талқылаңыз; Себеп-салдарлық емес, қатынастық тілді қолданыңыз. Маңыздылық пен экономикалық мәнді бөлек бағалаңыз және әрбір қадам үшін кодты беріңіз.
Жалпы қателер
- Себеп-салдарлық байланысты қателесу. Ең көп таралған және ең қымбат қате.
- Жоғары R-квадратты сапа деп қателесу. Ол жалған регрессияларда да жоғары.
- Стазды тексеруді айналып өту. Тренді сериалдар жалған қарым-қатынастарды тудырады.
- Мәнділік пен мәнділікті шатастыру. Кішкентай p үлкен әсерді білдірмейді.
- Диагностикалық сынақтарды өткізіп жіберу. Бұзылған болжам бүкіл қорытындыны жоққа шығарады.
- АИ-нің себептік тілін сол күйінде қабылдау. Үкім адамға тиесілі.
Қысқаша айтқанда
Регрессия - күшті, бірақ қиын құрал. Оқу коэффициенті, стандартты қате, p-мәні және R-квадрат дұрыс; корреляция мен себепті байланысты ажырату; алынып тасталған айнымалыларды, кері себептілікті және жалған регрессия тұзақтарын тексеру; Маңыздылық пен экономикалық маңыздылықты ажырата білу керек. AI код пен диагнозды генерациялауда жылдамдауда, бірақ ол тым себепті сөйлейді; Модельді таңдау және себептілік туралы пайымдау экономистке жүктеледі.
Қолданбалы тапсырма
Сізде бар деректермен қарапайым регрессияны орнатыңыз (мысалы, тұтыну-кіріс). Орнатуды 1-ші үлгімен және диагностикалық сынақтарды 2-ші үлгімен дайындаңыз. Содан кейін кем дегенде бір мүмкін өткізілмеген айнымалыны және бір кері себептілік сценарийін атай отырып, 3-үлгі арқылы себептілікті тексеріңіз. AI бастапқы интерпретациясынан себептік сөйлемді реляциялық тілге аударыңыз және өзгерісті белгілеңіз.
бақылау парағы
- [ ] Мен коэффициентті, стандартты қатені, p-мәнін және R-квадратты дұрыс оқыдым.
- [ ] Мен қатарлардың стационарлығын тексердім және жалған регрессия қаупін жойдым.
- [ ] Мен түсірілген айнымалы және кері себептілік мүмкіндіктерін атадым.
- [ ] Мен диагностикалық сынақтарды өткізіп, бұзушылықтарды бағаладым.
- [ ] Мен статистикалық маңыздылық пен экономикалық маңыздылықты бөлек бағаладым.
- [ ] Мен реляциялық тілге жасанды интеллекттің себепті тілін тарттым.
- [ ] Мен модельді таңдау мен себептілік туралы пайымдау менікі деп айттым.