Gevinster:
- Evne til nøyaktig å lese regresjonsutgangen (koeffisient, standardfeil, p-verdi, R-kvadrat) og kritisk evaluere tolkningen av kunstig intelligens
- Evne til å gjenkjenne fallgruver som skillet mellom korrelasjon og årsakssammenheng, endogenitet, utelatte variabler og falsk regresjon, og dempe det overdrevne årsaksspråket til kunstig intelligens
- Evne til å bruke kunstig intelligens for modelloppsett, kode og diagnostisk testutkast, og overlate ansvaret for modellvalg og tolkning til mennesker
Økonometri er disiplinen for å teste økonomisk teori med data, og regresjon er dets grunnleggende verktøy. "Hvor mye øker forbruket når inntekten øker?", "Hva er forholdet mellom renter og investeringer?" Spørsmål som disse kvantifiseres ved regresjon. AI er både veldig nyttig og veldig farlig på dette området: den skriver modellkode og diagnostiske tester på sekunder, men er ofte for kausal og altfor presis når den tolker utdataene. Snakker setningen "X øker Y" flytende; mens de fleste regresjoner kun måler ett forhold. Hovedpoenget med denne enheten er: Bruk AI for modelloppsett, kode og diagnostisk testing; men behold ansvaret for modellvalg, årsaksvurdering og tolkning på mennesket.
Lese regresjonsutgang
Utgangen av en enkel regresjon ser etter fire ting:
- Koeffisient. Et estimat på hvor mye den avhengige variabelen endres når forklaringsvariabelen øker med én enhet. Tegnet (pluss/minus) og størrelse må ha økonomisk betydning.
- Standard feil. Usikkerheten til koeffisientestimatet; Hvis det er mindre, er estimatet mer nøyaktig.
- p-verdi. Sannsynligheten for at koeffisienten vises så stor under antagelsen om at den er "faktisk null". Liten p (< 0,05) sies å være "statistisk signifikant" - men dette innebærer ikke økonomisk signifikans eller kausalitet.
- R-kvadrat. Hvor mye av endringen i den avhengige variabelen forklarer modellen. En høy R-kvadrat betyr ikke "riktig modell"; Det kan også være høyt i falske regresjoner.
Tips: Ikke forveksle statistisk signifikans med økonomisk signifikans. Selv en svært liten, praktisk talt ubetydelig effekt kan vise seg å være "betydelig" (liten p) i et stort utvalg. Først, "Er størrelsen på denne koeffisienten økonomisk viktig?" ', så se etter betydning.
Korrelasjon er ikke årsakssammenheng: klassiske fallgruver
Dette er forbeholdet i hjertet av økonometri. Forholdet funnet ved regresjon er ofte ikke kausalitet. Store fallgruver:
- Utelatt variabel. En tredje faktor som påvirker både X og Y, men som ikke er med i modellen, skaper en falsk sammenheng mellom X og Y. (Eksempel: hvis "evne" utelates i forholdet mellom utdanning og inntekt, vil koeffisienten være misvisende.)
- Omvendt kausalitet (endogenitet). Mens det antas at X påvirker Y, påvirker kanskje Y X eller de to er gjensidige. (Politietall og kriminalitet: økte politiet fordi kriminaliteten økte?)
- Pseudo-regresjon. To ikke-stasjonære (trending) serier kan gi høye R-kvadrerte og signifikante koeffisienter selv om det ikke er noen reell sammenheng mellom dem. Bare fordi de begge vokser over tid.
- Utvalgsskjevhet. Hvis utvalget ikke er tilfeldig, måles forholdet skjevt.
Påstanden om årsakssammenheng kan bare etableres med et passende design (metoder som kontrollert eksperiment, naturlig eksperiment, instrumentell variabel, forskjell-i-forskjell) og klare antakelser. Kunstig intelligens savner ofte denne subtiliteten.
Forsiktig: Hvis AI sier "denne variabelen øker/minsker det", brems umiddelbart. Problem: Er det noen variabler utelatt? Er omvendt årsakssammenheng mulig? Er serien stasjonær? Ingen årsakssetning kommer inn i rapporten før disse tre spørsmålene er stilt.
Diagnostiske tester
For at en regresjon skal være pålitelig, testes dens antakelser: mønster av residualer (feilledd) (autokorrelasjon), heteroskedastisitet (heteroskedastisitet), multikollinearitet (forklaringsvariabler er veldig like hverandre), normalfordeling. Kunstig intelligens skriver koden for disse testene; men det er økonomens jobb å tolke resultatene og justere modellen deretter.
tre minisaker
Tilfelle 1 - falsk regresjon. En forsker regresserte to trendserier (en nominell utgift, en nominell en annen mengde); R-kvadrat var 0,98, koeffisienten var svært signifikant. AI "er et sterkt forhold," sa han. Forskeren testet for stasjonaritet: begge seriene var ikke-stasjonære. Når de først ble separert, forsvant forholdet stort sett. Den høye R-kvadraten var rett og slett fordi de begge vokste over tid. Falsk regresjon fanget opp.
Tilfelle 2 — Utelatt variabel. En analyse fant at "annonseutgifter øker salget." Økonomen spurte: er det en sesongeffekt i modellen? Det var det ikke. Både reklame og salg økte før ferien; En del av forholdet var sesongvariasjoner. Når sesongens dummyvariabler ble lagt til, ble annonseringskoeffisienten mindre. Årsakspåstanden er mildnet.
Sak 3 — Betydelig, men ubetydelig. I et stort mikrodatasett var en koeffisient p<0,001; AI "sterk innvirkning," sa han. Men størrelsen på koeffisienten var praktisk talt ubetydelig (en stor endring i inntekt flyttet resultatet med en tusendel). Økonomen formulerte det korrekt som "statistisk signifikant, men økonomisk ubetydelig." Betydning var ikke en erstatning for betydning.
Kommentarmoderasjonstabell
sier kunstig intelligens
Spør økonomen
"X øker Y"
Utelatt variabel? Omvendt årsakssammenheng?
"R-kvadrat er høyt, modellen er god"
Er serien stasjonær? Falsk regresjon?
"p<0,05, signifikant"
Betyr størrelsen noe økonomisk?
"Koeffisient 0,3"
Er tegnet og enheten kompatible med teorien?
"Forholdet er sterkt"
Er prøveutvalget partisk?
Fire kopierbare maler
1) Modellinstallasjonsskisse:
Jeg vil undersøke følgende økonomiske spørsmål: [spørsmål]. Avhengig variabel: [Y].Kandidatbeskrivelser: [X-er]. Foreslå meg et passende innledende regresjonsoppsett (statsmodels-kode). Forklar hvilke kontrollvariabler som trengs og hvorfor. IKKE hevder kausalitet; Bruk relasjonsspråk.
2) Diagnostiske tester:
Skriv i kode de diagnostiske testene for regresjonen jeg satte opp: autokorrelasjon, heteroskedastisitet, multikollinearitet, dispersjon av residualer og stasjonaritet (hvis det er en tidsserie). Skriv kort hvordan du skal tolke hvert testresultat og hva du skal gjøre hvis det er problemer.
3) Kausalitetskontroll:
Tolk dette regresjonsresultatet, men sjekk først disse tre fallgruvene: (1) kan det være en utelatt variabel og hvilken, (2) er omvendt kausalitet mulig, (3) er seriene stasjonære / er det fare for falsk regresjon? Angi klart om resultatet skal tolkes som kausalt eller bare relasjonelt.
4) Skille mellom betydning og betydning:
Tolk følgende koeffisient: verdi [x], standardfeil [y], p-verdi [z]. Vurder statistisk signifikans separat, økonomisk signifikans separat: er størrelsen på denne koeffisienten en praktisk signifikant effekt? Konkret størrelsen på virkningen i et eksempelscenario.
Svak forespørsel / Sterk forespørsel
Svak melding:
Gjør en regresjon med disse variablene og tolk resultatet.
Kunstig intelligens tolker det på et kausalt språk, uten å utføre diagnostiske tester eller sjekke stasjonaritet; falsk regresjon eller utelatt variabel savnes.
Kraftig ledetekst:
Den avhengige variabelen er forbruk, den forklarende inntekten; månedlige, trendende serier. Test stasjonaritet først; få forskjell om nødvendig. Sett opp regresjonen, kjør diagnostiske tester (autokorrelasjon, heteroskedastisitet). Drøft eksplisitt risikoene ved utelatte variabler og omvendt kausalitet ved tolkning av resultatet; Bruk relasjonelt snarere enn kausalt språk. Vurder betydning og økonomisk betydning separat og gi koden for hvert trinn.
Vanlige feil
- Misforstå korrelasjon for årsakssammenheng. Den vanligste og dyreste feilen.
- Tar feil av høy R-kvadrat for kvalitet. Den er også høy i falske regresjoner.
- Omgå stasesjekken. Trendede serier produserer falske forhold.
- Forveksler meningsfullhet med betydning. Liten p betyr ikke stor effekt.
- Hopp over diagnostiske tester. Forutsetningen som ble brutt, beseirer hele slutningen.
- Aksepterer årsaksspråket til AI som det er. Dommen tilhører mennesket.
Oppsummert
Regresjon er et kraftig, men fallgruve verktøy. Avlesningskoeffisient, standardfeil, p-verdi og R-kvadrert riktig; skille mellom korrelasjon og årsakssammenheng; se etter utelatte variabler, omvendt kausalitet og falske regresjonsfeller; Det er nødvendig å skille mellom betydning og økonomisk betydning. AI akselererer i kode- og diagnosegenerering, men den snakker for kausalt; Valg av modell og vurdering av kausalitet ligger hos økonomen.
Søknadsoppgave
Sett opp en enkel regresjon med dataene du har (f.eks. forbruksinntekt). Få oppsettet produsert med 1. mal, og diagnostiske tester produsert med 2. mal. Se deretter etter kausalitet med mal 3, og navngi minst én mulig utelatt variabel og ett omvendt kausalitetsscenario. Oversett en årsakssetning fra den første tolkningen av AI til relasjonsspråk og merk endringen.
sjekkliste
- [ ] Jeg leste koeffisienten, standardfeilen, p-verdien og R-kvadrert riktig.
- [ ] Jeg sjekket stasjonariteten til serien og eliminerte risikoen for falsk regresjon.
- [ ] Jeg kalte den utelatte variabelen og omvendt kausalitetsmuligheter.
- [ ] Jeg kjørte diagnostiske tester og evaluerte brudd.
- [ ] Jeg evaluerte statistisk signifikans og økonomisk signifikans separat.
- [ ] Jeg har trukket årsaksspråket til kunstig intelligens inn i relasjonsspråket.
- [ ] Jeg fastholdt at valget av modell og vurdering av årsakssammenheng var mitt.