नफा:
- रीग्रेशन आउटपुट अचूकपणे वाचण्याची क्षमता (गुणक, मानक त्रुटी, पी-मूल्य, आर-चौरस) आणि कृत्रिम बुद्धिमत्ता व्याख्याचे गंभीरपणे मूल्यांकन करणे
- सहसंबंध-कारण भेद, अंतर्जातत्व, वगळलेले चल आणि नकली प्रतिगमन यासारखे तोटे ओळखण्याची क्षमता आणि कृत्रिम बुद्धिमत्तेच्या अत्यधिक कारणात्मक भाषेवर अंकुश ठेवण्याची क्षमता
- मॉडेल सेटअप, कोड आणि डायग्नोस्टिक चाचणी मसुदा तयार करण्यासाठी कृत्रिम बुद्धिमत्ता वापरण्याची क्षमता, मॉडेल निवड आणि अर्थ लावण्याची जबाबदारी मानवांवर सोडून
इकोनोमेट्रिक्स ही डेटासह आर्थिक सिद्धांताची चाचणी करण्याची शिस्त आहे आणि प्रतिगमन हे त्याचे मूलभूत साधन आहे. "उत्पन्न वाढले की वापर किती वाढतो?", "व्याज आणि गुंतवणुकीचा संबंध काय?" यासारखे प्रश्न प्रतिगमनाद्वारे परिमाणित केले जातात. AI या क्षेत्रात अतिशय उपयुक्त आणि अतिशय धोकादायक दोन्हीही आहे: ते मॉडेल कोड आणि निदान चाचण्या काही सेकंदात लिहिते, परंतु आउटपुटचा अर्थ लावताना बऱ्याचदा अत्याधिक कारणात्मक आणि अत्याधिक अचूक असते. "X ने Y वाढते" हे वाक्य अस्खलितपणे बोलते; तर बहुतेक प्रतिगमन फक्त एकच नाते मोजतात. या युनिटचा सारांश असा आहे: मॉडेल सेटअप, कोड आणि डायग्नोस्टिक चाचणीसाठी AI वापरा; परंतु मॉडेल निवड, कार्यकारणभाव निर्णय आणि अर्थ लावण्याची जबाबदारी मानवावर ठेवा.
रिग्रेशन आउटपुट वाचत आहे
साध्या रीग्रेशनचे आउटपुट चार गोष्टी शोधते:
- गुणांक. जेव्हा स्पष्टीकरणात्मक चल एका युनिटने वाढते तेव्हा अवलंबून व्हेरिएबल किती बदलते याचा अंदाज. चिन्ह (अधिक/वजा) आणि परिमाण यांचा आर्थिक अर्थ असणे आवश्यक आहे.
- मानक त्रुटी. गुणांक अंदाजाची अनिश्चितता; तो लहान असल्यास, अंदाज अधिक अचूक आहे.
- p-मूल्य. गुणांकाची संभाव्यता "वास्तविक शून्य" आहे असे गृहीत धरून एवढी मोठी दिसते. लहान p (<0.05) "सांख्यिकीयदृष्ट्या महत्त्वपूर्ण" असल्याचे म्हटले जाते - परंतु हे आर्थिक महत्त्व किंवा कार्यकारणभाव दर्शवत नाही.
- आर-चौरस. अवलंबून व्हेरिएबलमध्ये किती बदल झाला हे मॉडेल स्पष्ट करते. उच्च आर-स्क्वेअरचा अर्थ "योग्य मॉडेल" नाही; हे बनावट प्रतिगमनांमध्ये देखील जास्त असू शकते.
टीप: सांख्यिकीय महत्त्व आणि आर्थिक महत्त्वाचा घोळ घालू नका. अगदी लहान, व्यावहारिकदृष्ट्या क्षुल्लक परिणाम देखील मोठ्या नमुन्यात "लक्षणीय" (लहान पी) होऊ शकतो. प्रथम, "या गुणांकाचा आकार आर्थिकदृष्ट्या महत्त्वाचा आहे का?" ', मग महत्त्व शोधा.
सहसंबंध कारण नाही: क्लासिक तोटे
ही इकॉनॉमेट्रिक्सच्या केंद्रस्थानी असलेली चेतावणी आहे. प्रतिगमन द्वारे सापडलेला संबंध सहसा कार्यकारणभाव नसतो. प्रमुख तोटे:
- वगळलेले चल. तिसरा घटक जो X आणि Y या दोन्हींवर परिणाम करतो परंतु मॉडेलमध्ये नसतो तो X आणि Y दरम्यान एक बनावट संबंध निर्माण करतो. (उदाहरण: शिक्षण आणि उत्पन्न यांच्यातील संबंधांमध्ये "क्षमता" वगळल्यास, गुणांक दिशाभूल करणारा असेल.)
- उलट कार्यकारणभाव (अंतर्गतत्व). X चा Y वर परिणाम होतो असे मानले जात असले तरी कदाचित Y चा X वर परिणाम होतो किंवा ते दोघे परस्पर आहेत. (पोलीस संख्या आणि गुन्हे: गुन्हे वाढले म्हणून पोलीस वाढले का?)
- छद्म प्रतिगमन. दोन नॉन-स्टेशनरी (ट्रेंडिंग) मालिका त्यांच्यामध्ये कोणताही वास्तविक संबंध नसतानाही उच्च R-वर्ग आणि लक्षणीय गुणांक देऊ शकतात. कारण ते दोघेही कालांतराने वाढतात.
- निवड पूर्वाग्रह. नमुना यादृच्छिक नसल्यास, संबंध तिरपे मोजले जातात.
कार्यकारणभावाचा दावा केवळ योग्य रचना (नियंत्रित प्रयोग, नैसर्गिक प्रयोग, वाद्य चल, फरक-इन-डिफरन्स) आणि स्पष्ट गृहितकांसह स्थापित केला जाऊ शकतो. आर्टिफिशियल इंटेलिजन्स अनेकदा ही सूक्ष्मता चुकवते.
खबरदारी: जर AI म्हटला की "हे व्हेरिएबल ते वाढवते/कमी करते", तर लगेच ब्रेक लावा. समस्या: काही व्हेरिएबल्स वगळले आहेत का? उलट कार्यकारणभाव शक्य आहे का? मालिका स्थिर आहेत का? हे तीन प्रश्न विचारले जात नाही तोपर्यंत कोणतेही कारण वाक्य अहवालात प्रवेश करत नाही.
निदान चाचण्या
प्रतिगमन विश्वासार्ह होण्यासाठी, त्याच्या गृहितकांची चाचणी केली जाते: अवशेषांचा नमुना (त्रुटी संज्ञा) (स्वयंसंबंध), हेटरोस्केडॅस्टिकिटी (हेटरोस्केडॅस्टिकिटी), मल्टीकोलाइनरिटी (स्पष्टीकरणात्मक व्हेरिएबल्स एकमेकांशी अगदी समान असतात), सामान्य वितरण. कृत्रिम बुद्धिमत्ता या चाचण्यांसाठी कोड लिहिते; परंतु परिणामांचा अर्थ लावणे आणि त्यानुसार मॉडेल समायोजित करणे हे अर्थशास्त्रज्ञाचे काम आहे.
तीन लहान प्रकरणे
केस 1 - बनावट प्रतिगमन. एका संशोधकाने दोन ट्रेंड मालिका मागे टाकल्या (एक नाममात्र खर्च, एक नाममात्र दुसरी रक्कम); R-वर्ग 0.98 होता, गुणांक अत्यंत महत्त्वपूर्ण होता. AI “एक मजबूत नाते आहे,” तो म्हणाला. संशोधकाने स्थिरतेसाठी चाचणी केली: दोन्ही मालिका स्थिर नसल्या. एकदा ते विभक्त झाल्यानंतर, नातेसंबंध मोठ्या प्रमाणात गायब झाले. उच्च R-वर्ग फक्त कारण ते दोघेही कालांतराने वाढले. बनावट प्रतिगमन पकडले.
केस २ — वगळलेले चल. एका विश्लेषणात असे आढळून आले की "जाहिरात खर्च विक्री वाढवतो." अर्थशास्त्रज्ञाने विचारले: मॉडेलमध्ये हंगामी प्रभाव आहे का? तिथे नव्हते. सुट्टीच्या आधी जाहिरात आणि विक्री दोन्ही वाढत होते; नात्याचा एक भाग हंगामीपणा होता. जेव्हा सीझन डमी व्हेरिएबल्स जोडले गेले, तेव्हा जाहिरातीचे गुणांक लहान झाले. कारणाचा दावा मऊ करण्यात आला आहे.
केस 3 - महत्त्वपूर्ण परंतु क्षुल्लक. मोठ्या मायक्रोडेटा सेटमध्ये, एक गुणांक p<0.001 होता; AI “मजबूत प्रभाव,” तो म्हणाला. परंतु गुणांकाचे परिमाण व्यावहारिकदृष्ट्या नगण्य होते (उत्पन्नातील मोठ्या बदलामुळे परिणाम एक हजारव्या भागाने हलविला). अर्थशास्त्रज्ञाने ते "सांख्यिकीयदृष्ट्या महत्त्वपूर्ण परंतु आर्थिकदृष्ट्या नगण्य" म्हणून योग्यरित्या तयार केले आहे. महत्त्व हा महत्त्वाचा पर्याय नव्हता.
टिप्पणी नियंत्रण सारणी
कृत्रिम बुद्धिमत्ता म्हणतो
अर्थतज्ज्ञ विचारतात
"X ने Y वाढवतो"
व्हेरिएबल वगळले? उलट कार्यकारणभाव?
"आर-स्क्वेअर उच्च आहे, मॉडेल चांगले आहे"
मालिका स्थिर आहेत का? बनावट प्रतिगमन?
"p<0.05, लक्षणीय"
आकार आर्थिकदृष्ट्या महत्त्वाचा आहे का?
"गुणक 0.3"
त्याचे चिन्ह आणि एकक सिद्धांताशी सुसंगत आहे का?
"नातं मजबूत आहे"
नमुना निवड पक्षपाती आहे का?
चार कॉपी करण्यायोग्य टेम्पलेट्स
1) मॉडेल इंस्टॉलेशन स्केच:
मी खालील आर्थिक प्रश्नाचे परीक्षण करेन: [प्रश्न]. अवलंबित चल: [Y].उमेदवार वर्णनकर्ता: [X's]. मला एक योग्य प्रारंभिक रीग्रेशन सेटअप सुचवा (statsmodels कोड). कोणते कंट्रोल व्हेरिएबल्स आवश्यक आहेत आणि का ते स्पष्ट करा. कार्यकारणभावाचा दावा करू नका; नातेसंबंधाची भाषा वापरा.
२) निदान चाचण्या:
मी सेट केलेल्या रीग्रेशनसाठी निदान चाचण्या कोडमध्ये लिहा: ऑटोकॉरिलेशन, हेटरोसेडेस्टिसिटी, मल्टीकोलाइनरिटी, अवशेषांचे फैलाव आणि स्थिरता (जर ती वेळ मालिका असेल). प्रत्येक चाचणी निकालाचा अर्थ कसा लावायचा आणि काही समस्या आल्यास काय करायचे ते थोडक्यात लिहा.
३) कार्यकारणभाव नियंत्रण:
या प्रतिगमन परिणामाचा अर्थ लावा, परंतु प्रथम हे तीन दोष तपासा: (१) वगळलेले चल असू शकते आणि कोणते, (२) रिव्हर्स कार्यकारणभाव शक्य आहे, (३) मालिका स्थिर आहेत / बनावट प्रतिगमनाचा धोका आहे का? परिणाम कारणीभूत किंवा केवळ संबंधात्मक म्हणून अर्थ लावावा की नाही हे स्पष्टपणे सांगा.
4) महत्त्व-महत्त्व भेद:
खालील गुणांकाचा अर्थ लावा: मूल्य [x], मानक त्रुटी [y], p-मूल्य [z]. सांख्यिकीय महत्त्व स्वतंत्रपणे, आर्थिक महत्त्व स्वतंत्रपणे मूल्यांकन करा: या गुणांकाचे परिमाण व्यावहारिकदृष्ट्या महत्त्वपूर्ण प्रभाव आहे का? उदाहरणाच्या परिस्थितीत प्रभावाची तीव्रता निश्चित करा.
कमकुवत प्रॉम्प्ट / मजबूत प्रॉम्प्ट
कमकुवत प्रॉम्प्ट:
या व्हेरिएबल्ससह प्रतिगमन करा आणि परिणामाचा अर्थ लावा.
कृत्रिम बुद्धिमत्ता रोगनिदानविषयक चाचण्या न करता किंवा स्थिरता तपासल्याशिवाय कारणात्मक भाषेत त्याचा अर्थ लावते; बनावट प्रतिगमन किंवा वगळलेले चल चुकले आहे.
शक्तिशाली सूचना:
अवलंबित चल म्हणजे उपभोग, स्पष्टीकरणात्मक उत्पन्न; मासिक, ट्रेंडिंग मालिका. प्रथम स्थिरता चाचणी करा; आवश्यक असल्यास फरक मिळवा. प्रतिगमन सेट करा, निदान चाचण्या चालवा (स्वयंसंबंध, विषमता). निकालाचा अर्थ लावताना वगळलेल्या व्हेरिएबल्सच्या जोखमी आणि उलट कार्यकारणभावाची स्पष्टपणे चर्चा करा; कारणात्मक भाषेऐवजी संबंधात्मक वापरा. महत्त्व आणि आर्थिक महत्त्व यांचे स्वतंत्रपणे मूल्यांकन करा आणि प्रत्येक पायरीसाठी कोड द्या.
सामान्य चुका
- कारणासाठी चुकीचा सहसंबंध. सर्वात सामान्य आणि सर्वात महाग चूक.
- गुणवत्तेसाठी उच्च आर-चौरस चुकणे. हे बनावट प्रतिगमनांमध्ये देखील जास्त आहे.
- स्टॅसिस चेक बायपास करणे. प्रचलित मालिका बनावट संबंध निर्माण करतात.
- अर्थपूर्णतेला महत्त्व देऊन गोंधळात टाकणारे. लहान p चा अर्थ मोठा प्रभाव नाही.
- निदान चाचण्या वगळणे. उल्लंघन केलेले गृहितक संपूर्ण अनुमानाला पराभूत करते.
- AI ची कार्यकारणभाषा जशी आहे तशी स्वीकारणे. न्याय हा मनुष्याचा आहे.
सारांशात
प्रतिगमन हे एक शक्तिशाली पण क्षुल्लक साधन आहे. वाचन गुणांक, मानक त्रुटी, p-मूल्य आणि R-वर्ग योग्यरित्या; सहसंबंध आणि कार्यकारणभाव यांच्यातील फरक; वगळलेले व्हेरिएबल्स, रिव्हर्स कार्यकारणभाव आणि बनावट प्रतिगमन तोटे तपासणे; महत्त्व आणि आर्थिक महत्त्व यात फरक करणे आवश्यक आहे. एआय कोड आणि निदान निर्मितीमध्ये वेग वाढवत आहे, परंतु ते खूप कारणात्मकपणे बोलते; मॉडेलची निवड आणि कार्यकारणभावाचा निर्णय अर्थशास्त्रज्ञावर अवलंबून असतो.
अर्ज कार्य
तुमच्याकडे असलेल्या डेटासह (उदा. उपभोग-उत्पन्न) एक साधे प्रतिगमन सेट करा. 1ल्या टेम्प्लेटसह सेटअप तयार करा आणि 2ऱ्या टेम्प्लेटसह डायग्नोस्टिक चाचण्या तयार करा. नंतर टेम्प्लेट 3 सह कार्यकारणभाव तपासा, कमीत कमी एक संभाव्य वगळलेले व्हेरिएबल आणि एक रिव्हर्स कार्यकारणभाव परिस्थितीचे नाव द्या. AI च्या प्रारंभिक व्याख्येतील एक कारणात्मक वाक्य रिलेशनल भाषेत अनुवादित करा आणि बदल लक्षात घ्या.
चेकलिस्ट
- मी गुणांक, मानक त्रुटी, p-मूल्य आणि R-वर्ग योग्यरित्या वाचले.
- [ ] मी मालिकेची स्थिरता तपासली आणि बनावट प्रतिगमनाचा धोका दूर केला.
- [ ] मी वगळलेल्या व्हेरिएबल आणि रिव्हर्स कार्यकारणभाव शक्यतांना नाव दिले आहे.
- [ ] मी निदान चाचण्या केल्या आणि उल्लंघनांचे मूल्यांकन केले.
- मी सांख्यिकीय महत्त्व आणि आर्थिक महत्त्व यांचे स्वतंत्रपणे मूल्यांकन केले.
- [ ] मी कृत्रिम बुद्धिमत्तेची कार्यकारणभाषा रिलेशनल भाषेत रेखाटली आहे.
- मॉडेलची निवड आणि कार्यकारणभावाचा निर्णय हा माझाच होता असे मी कायम ठेवले.