이득:
- 회귀 출력(계수, 표준 오차, p-값, R-제곱)을 정확하게 읽고 인공지능 해석을 비판적으로 평가하는 능력
- 상관-인과 구별, 내생성, 생략된 변수, 허위 회귀 등의 함정을 인식하고 인공지능의 과도한 인과 언어를 억제하는 능력
- 모델 설정, 코드 및 진단 테스트 초안 작성에 인공 지능을 사용하여 모델 선택 및 해석에 대한 책임을 사람에게 맡기는 기능
계량경제학은 데이터를 사용하여 경제 이론을 테스트하는 학문이며 회귀 분석은 기본 도구입니다. "소득이 증가하면 소비는 얼마나 증가하는가?", "이자와 투자는 어떤 관계가 있는가?" 이와 같은 질문은 회귀 분석을 통해 정량화됩니다. AI는 이 분야에서 매우 유용하면서도 매우 위험합니다. 모델 코드와 진단 테스트를 몇 초 만에 작성하지만 결과를 해석할 때 지나치게 인과적이고 지나치게 정확한 경우가 많습니다. "X는 Y를 증가시킨다"라는 문장을 유창하게 말합니다. 대부분의 회귀는 하나의 관계만 측정합니다. 이 단원의 요점은 다음과 같습니다. 모델 설정, 코드 및 진단 테스트에 AI를 사용합니다. 그러나 모델 선택, 인과관계 판단, 해석에 대한 책임은 인간에게 있습니다.
회귀 출력 읽기
단순 회귀의 결과는 다음 네 가지를 찾습니다.
- 계수. 설명변수가 1단위 증가할 때 종속변수가 얼마나 변하는지에 대한 추정치입니다. 부호(플러스/마이너스)와 크기는 경제적 의미를 가져야 합니다.
- 표준 오류. 계수 추정의 불확실성 작을수록 추정치가 더 정확해집니다.
- p-값. "실제로는 0"이라는 가정하에 계수가 이렇게 크게 나타날 확률입니다. 작은 p(< 0.05)는 "통계적으로 유의하다"고 말하지만 이것이 경제적 중요성이나 인과성을 의미하지는 않습니다.
- R-제곱. 모델이 종속변수의 변화를 얼마나 설명하는지. R-제곱이 높다고 해서 "올바른 모델"을 의미하는 것은 아닙니다. 허위 회귀에서도 높을 수 있습니다.
팁: 통계적 유의성과 경제적 유의성을 혼동하지 마십시오. 매우 작고 실질적으로 중요하지 않은 효과라도 큰 표본에서는 "유의한"(작은 p) 것으로 판명될 수 있습니다. 첫째, "이 계수의 크기가 경제적으로 중요한가?" ' 그런 다음 의미를 찾으십시오.
상관관계는 인과관계가 아니다: 전형적인 함정
이것이 계량경제학의 핵심입니다. 회귀분석으로 찾은 관계는 인과관계가 아닌 경우가 많습니다. 주요 함정:
- 변수가 생략되었습니다. X와 Y 모두에 영향을 미치지만 모델에는 없는 세 번째 요인은 X와 Y 사이에 허위 관계를 생성합니다. (예: 교육과 소득 간의 관계에서 "능력"이 생략되면 계수가 오해를 불러일으킵니다.)
- 역인과성(내생성). X가 Y에 영향을 미치는 것으로 생각되는 반면, Y는 X에 영향을 미치거나 둘이 상호적일 수도 있습니다. (경찰 수와 범죄: 범죄가 늘었으니 경찰도 늘어난 걸까?)
- 의사 회귀. 두 개의 비정상(추세) 계열은 실제 관계가 없더라도 높은 R 제곱 및 유의미한 계수를 생성할 수 있습니다. 둘 다 시간이 지남에 따라 성장하기 때문입니다.
- 선택 편향. 표본이 무작위가 아닌 경우 관계는 왜곡된 것으로 측정됩니다.
인과관계 주장은 적절한 설계(대조실험, 자연실험, 도구변수, 차이차이 등의 방법)와 명확한 가정이 있어야만 확립될 수 있습니다. 인공지능은 종종 이 미묘함을 놓친다.
주의: AI가 "이 변수는 그것을 증가/감소시킵니다"라고 말하면 즉시 브레이크를 밟으십시오. 문제: 생략된 변수가 있나요? 역인과관계가 가능한가? 계열이 고정되어 있나요? 이 세 가지 질문을 받을 때까지는 보고서에 인과관계 문장이 입력되지 않습니다.
진단 테스트
회귀 분석이 신뢰할 수 있으려면 잔차 패턴(오류 항)(자기 상관), 이분산성(이분산성), 다중 공선성(설명 변수가 서로 매우 유사함), 정규 분포 등의 가정을 테스트합니다. 인공 지능은 이러한 테스트를 위한 코드를 작성합니다. 그러나 결과를 해석하고 그에 따라 모델을 조정하는 것은 경제학자의 임무입니다.
세 개의 미니 케이스
사례 1 - 가짜 회귀. 연구자는 두 가지 추세 계열(하나는 명목 지출, 하나는 명목 수량)을 회귀 분석했습니다. R-제곱은 0.98로 계수가 매우 유의미한 것으로 나타났다. AI는 “강력한 관계”라고 그는 말했습니다. 연구원은 정상성을 테스트했습니다. 두 계열 모두 비정상성이었습니다. 헤어진 후에는 관계가 거의 사라졌습니다. 높은 R-제곱은 단순히 둘 다 시간이 지남에 따라 증가했기 때문입니다. 가짜 회귀가 포착되었습니다.
사례 2 - 변수가 생략되었습니다. 한 분석에 따르면 “광고비 지출이 매출을 증가시킨다”는 사실이 밝혀졌습니다. 경제학자는 다음과 같이 질문했습니다. 모델에 계절적 효과가 있습니까? 없었습니다. 연휴 이전에는 광고와 매출이 모두 증가했습니다. 관계의 일부는 계절성이었습니다. 시즌 더미변수를 추가하면 광고계수가 작아지는 것으로 나타났다. 인과관계 주장이 완화되었습니다.
사례 3 — 중요하지만 중요하지 않습니다. 대규모 마이크로데이터 세트에서 계수는 p<0.001이었습니다. AI는 “강력한 영향을 미친다”고 말했다. 그러나 계수의 크기는 사실상 무시할 수 있을 정도였습니다(소득의 큰 변화로 인해 결과가 1/1000만큼 이동했습니다). 경제학자는 이를 "통계적으로 유의미하지만 경제적으로 중요하지 않다"고 정확하게 표현했습니다. 중요성이 중요성을 대체할 수는 없었습니다.
댓글 검토 표
인공지능이 말한다
경제학자는 묻는다.
"X는 Y를 증가시킨다"
변수가 생략되었나요? 역인과관계?
"R제곱이 높아 모델이 좋다"
계열이 고정되어 있나요? 가짜 회귀?
"p<0.05, 유의미함"
크기가 경제적으로 중요합니까?
"계수 0.3"
기호와 단위가 이론과 양립할 수 있나요?
"관계가 돈독하다"
표본 선택이 편향되어 있습니까?
복사 가능한 템플릿 4개
1) 모델 설치 스케치:
나는 다음과 같은 경제적 질문을 검토할 것입니다: [질문]. 종속 변수: [Y]. 후보 설명자: [X's]. 적합한 초기 회귀 설정(statsmodels 코드)을 제안해 주세요. 어떤 통제변수가 필요한지, 그리고 그 이유를 설명하세요. 인과관계를 주장하지 마십시오. 관계 언어를 사용하십시오.
2) 진단 테스트:
내가 설정한 회귀 분석(자기 상관, 이분산성, 다중 공선성, 잔차 분산, 정상성(시계열인 경우))에 대한 진단 테스트를 코드로 작성합니다. 각 테스트 결과를 어떻게 해석해야 하는지, 문제가 있을 경우 어떻게 해야 하는지 간략하게 적어주세요.
3) 인과관계 통제:
이 회귀 결과를 해석하되 먼저 다음 세 가지 함정을 확인하십시오. (1) 생략된 변수가 있을 수 있는지, 어떤 변수가 있는지, (2) 역인과관계가 가능한지, (3) 계열이 고정되어 있는지/가짜 회귀의 위험이 있는지? 결과를 인과관계로 해석해야 하는지 아니면 단지 관계적으로 해석해야 하는지 명확하게 기술합니다.
4) 중요성-중요성 구별:
다음 계수를 해석합니다: 값 [x], 표준 오차 [y], p-값 [z]. 통계적 유의성을 개별적으로, 경제적 유의성을 개별적으로 평가합니다. 이 계수의 크기가 실질적으로 유의미한 효과입니까? 예시 시나리오에서 영향의 규모를 구체적으로 설명하세요.
약한 프롬프트 / 강한 프롬프트
약한 프롬프트:
이러한 변수를 사용하여 회귀 분석을 수행하고 결과를 해석합니다.
인공지능은 진단 테스트나 정상성을 확인하지 않고 인과적인 언어로 해석합니다. 허위 회귀 또는 생략된 변수가 누락되었습니다.
강력한 프롬프트:
종속변수는 소비, 설명소득이다. 월간 트렌드 시리즈. 먼저 정상성을 테스트하십시오. 필요한 경우 차이를 얻으십시오. 회귀를 설정하고 진단 테스트(자기 상관, 이분산성)를 실행합니다. 결과를 해석할 때 생략된 변수와 역인과관계의 위험을 명시적으로 논의합니다. 인과적 언어보다는 관계형 언어를 사용하세요. 중요성과 경제적 중요성을 별도로 평가하고 각 단계에 대한 코드를 제공합니다.
일반적인 실수
- 인과관계를 혼동하는 상관관계. 가장 흔하고 비용이 많이 드는 실수입니다.
- 높은 R-제곱을 품질로 착각합니다. 또한 허위 회귀(spurious regression)도 높습니다.
- 정체 검사를 우회합니다. 트렌드 시리즈는 가짜 관계를 만들어냅니다.
- 의미와 중요성을 혼동합니다. p가 작다고 해서 효과가 크다는 의미는 아닙니다.
- 진단 테스트를 건너뜁니다. 위반된 가정은 전체 추론을 무효화합니다.
- AI의 원인 언어를 있는 그대로 받아들입니다. 판단은 사람에게 있습니다.
요약하면
회귀는 강력하지만 함정이 있는 도구입니다. 계수, 표준 오차, p-값 및 R-제곱을 올바르게 판독합니다. 상관관계와 인과관계를 구별합니다. 생략된 변수, 역인과성, 잘못된 회귀 함정을 확인합니다. 중요성과 경제적 중요성을 구별할 필요가 있다. AI는 코드 및 진단 생성 속도를 높이고 있지만 너무 인과적으로 말합니다. 모델의 선택과 인과관계의 판단은 경제학자의 몫이다.
응용과제
보유하고 있는 데이터(예: 소비 소득)를 사용하여 단순 회귀를 설정합니다. 첫 번째 템플릿을 사용하여 설정을 생성하고 두 번째 템플릿을 사용하여 진단 테스트를 생성합니다. 그런 다음 템플릿 3을 사용하여 인과성을 확인하고, 하나 이상의 가능한 생략 변수와 하나의 역인과성 시나리오를 지정합니다. AI의 초기 해석에서 인과 문장을 관계형 언어로 번역하고 변화를 기록합니다.
체크리스트
- [ ] 계수, 표준오차, p-값, R-제곱을 올바르게 읽었습니다.
- [ ] 계열의 정상성을 확인하고 허위 회귀의 위험을 제거했습니다.
- [ ] 생략변수와 역인과가능성 가능성에 이름을 붙였습니다.
- [ ] 진단 테스트를 실행하고 위반 사항을 평가했습니다.
- [ ] 통계적 유의성과 경제적 유의성을 별도로 평가하였습니다.
- [ ] 인공지능의 인과언어를 관계언어로 끌어냈습니다.
- [ ] 모델 선택과 인과관계 판단은 내 몫이라고 주장했습니다.