Gevinster:
- Å kunne skille hvor i den empiriske arbeidsflyten (datarensing, kode, visualisering, utkasttolkning) kunstig intelligens sparer sanntid og hvor beslutninger som modellvalg, årsakspåstand og publiseringsbeslutning overlates til eksperten, i henhold til oppgavens risikonivå
- Evne til å bruke en disiplin som verifiserer hver kunstig intelligens-utgang (tall, koeffisient, kode, kommentar) gjennom trinnene med omberegning, kobling til kilden og statistisk filtrering.
- Evne til trygt å behandle mikrodata og konfidensielle/lisensierte datasett innenfor rammen av KVKK/GDPR og databruksavtaler og tilegne seg en vane med å velge passende verktøy.
De samme spørsmålene går igjen hver dag på skrivebordet til en økonometiker eller anvendt statistiker: Er dette datasettet pålitelig; Hva skal man gjøre med disse manglende verdiene? Hva sier koeffisienten til denne regresjonen egentlig? Er denne sammenhengen kausal eller bare korrelasjonell? Fordi denne p-verdien er betydelig, kan jeg skrive den i artikkelen eller policy-briefen? Noen av disse spørsmålene er repeterende, kodeintensive og tidkrevende: rense data, plotte samme graf ti ganger, feilsøke R- eller Python-kode, sette resultatene inn i en tabell. Andre bestemmer direkte gyldigheten av et funn, ærligheten til en publikasjon eller nøyaktigheten til en politisk beslutning.
Kunstig intelligens (AI kort fortalt AI – datasystemer som kan produsere tekst og kode som mennesker, gjenkjenne mønstre, oppsummere data og skrive kommentarer; den mest brukte formen i dag er store språkmodeller, det vil si systemer som er trent på enorm tekst og bygger setninger ved å forutsi neste ord) sitter midt i denne tabellen. Når den brukes riktig, reduserer den timer med datarensekode til minutter, minner deg om syntaksen til en kompleks statistisk test, eller utarbeider tolkningen av en koeffisient. Når det brukes feil, presenterer det et tilsynelatende sikkert, men fullstendig oppdiktet tall, en falsk betydning eller et ikke-årsaksforhold som et "funn".
Denne første enheten er ikke en programvareintroduksjon. Formålet er å avklare hvor du skal plassere AI i din empiriske arbeidsflyt og hvor du aldri skal plassere den. Økonometri er både et «metodekritisk» og indirekte «beslutningskritisk» felt: koeffisienten til en modell du bygger kan være input til en sentralbanks rentebeslutning, en regulators policyendring eller et firmas millioninvesteringer. La oss legge ut det grunnleggende prinsippet fra begynnelsen: Kunstig intelligens er en analyseassistent, ikke en forsker. Ansvar for og endelig godkjenning av modellvalg, identifiseringsstrategi, påstand om årsakssammenheng, publisering og politiske beslutninger ligger hos den kompetente eksperten.
Lag av den empiriske arbeidsflyten og stedet for AI
Det er nyttig å dele en empirisk studie inn i tre lag. Utførelseslaget er det daglige tekniske arbeidet: datarensekode, graftegning, tabellformatering, syntaksfeilsøking. Metodelaget er den analytiske beslutningen: hvilken modell, hvilken identifiseringsstrategi, hvilken test, hvilken forutsetningskontroll. Tolknings- og beslutningssjiktet er meningen med funnene: hva koeffisienten sier, er den årsakssammenheng, hva betyr den for politikken, bør den publiseres. AI berører alle tre lag, men med forskjellig autoritet i hvert lag. På utførelseslaget lager AI raskt utkast og genererer kode; På tolknings- og beslutningslaget gis det kun innspill og den sakkyndige tar avgjørelsen.
La oss definere noen grunnleggende termer fra begynnelsen. Økonometri er bransjen som analyserer økonomiske og sosiale data med statistiske metoder og måler sammenhenger. Regresjon er en metode som numerisk modellerer forholdet til en utfallsvariabel (avhengig variabel) med en eller flere forklaringsvariabler (uavhengige variabler). Koeffisienten er tallet som viser hvor mange endringsenheter i gjennomsnitt en en-enhetsendring i en forklaringsvariabel er knyttet til i utfallsvariabelen. P-verdien er sannsynligheten for at det observerte utfallet (eller et mer ekstremt utfall) ville oppstå ved en tilfeldighet når ingen effekt faktisk eksisterer. Vi vil forklare disse begrepene en etter en i de følgende enhetene; For nå, vet dette: I alle disse gir AI deg blåkopien, koden og forklaringen, men den tar ikke vitenskapelige beslutninger.
Følgende tabell oppsummerer rollen og risikonivået til AI etter oppdrag:
Quest
Rollen til AI
Risikonivå
Hvem godkjenner
Skrive datasaneringskode
kode generator
lav
Analytiker selv (med kodetesting)
Kart-/tabellutkast
skissegenerator
lav
analytiker
Test/modellsyntakspåminnelse
Referanseassistent
lav-middels
analytiker
Utkast til koeffisienttolkning
utkast skribent
medium
økonometriker
Valg av modell/identifikasjonsstrategi
hjelpeinngang
høy
ekspertforsker
Årsakspåstand
Bare et utkast, aldri det siste ordet
veldig høy
Ekspert + fagfellevurdering
Publisering/politisk beslutning
kun input
veldig høy
Ansvarlig etterforsker/institusjon
Husk den ene linjen i denne tabellen: Etter hvert som risikoen øker, krymper rollen til AI og ekspertgodkjenningen vokser.
Hvorfor "verifisering" er hjertet i denne virksomheten
Språkmodeller virker sikre på svaret, men de er kanskje ikke sikre. På fagspråket kalles dette hallusinasjon: det er modellens fabrikasjon av ikke-eksisterende informasjon i en flytende setning, akkurat som om den var sann. For en økonometiker er dette en dødelig felle. Modellen kan gi deg et eksakt tall som "Korrelasjonen mellom arbeidsledighet og inflasjon i Türkiye mellom 2015-2020 er 0,62"; Han har imidlertid aldri sett dataene dine, og dette nummeret er fullstendig oppdiktet. Eller det kan si: "Hvit test-p-verdi var 0,03"; mens den ikke kjørte noen tester. Den kan kalle en R-funksjon med et argument som faktisk ikke eksisterer. Han synger alle tre med samme flyt; Det eneste som skiller rett fra galt er din kunnskap og din vane med å verifisere.
Verifikasjonsdisiplinen består av tre trinn:
- Rekalkuler / kjør i ditt eget miljø: Beregn hvert tall, forhold, testresultat og koeffisient gitt av AI i R/Python med dine egne data, ikke fra AI-minnet. Bruk AI til å skrive koden, ikke for å huske resultatet. Kjør koden, du produserer utdataene.
- Link til kilde: Stol på lærebøker, metodeartikler og offisielle dokumenter for metoderegler, formler og definisjoner. Bekreft AIs uttalelse "antagelsen av denne testen er" med en pålitelig kilde.
- Statistisk filter: Test med ekspertøyne om utgangen er i strid med statistisk logikk (forutsetninger, utvalg, effektstørrelse, usikkerhet). Avvis et "meningsfullt, men absurd" resultat.
Forsiktig: Å sette en AI-generert koeffisient, test eller tolkning i en artikkel, avhandling eller policynotat uten å validere det, er som å publisere et ugjennomgått funn. Bare fordi resultatet er flytende er ikke sant; Bare fordi tallet virker sikkert, er det ikke ekte.
Personvern: Mikrodata og lisensierte data er beskyttet privat
Mikrodata (enkeltregistrering på individ-, husholdnings-, bedrifts- eller pasientnivå) brukes ofte i økonometri. De fleste av disse dataene er personopplysninger og er beskyttet under KVKK (Personal Data Protection Law) i Türkiye og GDPR i Europa. I tillegg gir TurkStat, sentralbanker, paneldataleverandører og kommersielle kilder ofte data med en databruksavtale; Disse avtalene forbyr overføring av data til tredjeparter. Å lime inn en tabell som inneholder identitetsinformasjon, inntekt, helse eller bedriftshemmeligheter i et offentlig AI-chatverktøy er både et KVKK/GDPR-brudd og et kontraktsbrudd; fordi dataene går til en ekstern server og kan brukes i modellopplæring i enkelte verktøy.
Regelen er enkel: hold dataene i sitt eget trygge miljø, spør kun AI om kode og metoder. Den ideelle arbeidsflyten er denne: spør AI om analysekoden, du kjører koden med de virkelige dataene på din egen datamaskin/bedriftsserver. Hvis du virkelig må dele data, anonymiser (fjern ID-felt), aggreger (gjennomsnitt/tell i stedet for individuell), og velg verktøy som er institusjonelle, har en databehandleravtale og ikke bruker dataene dine i utdanning.
tre minisaker
Tilfelle 1 — Sikker og effektiv bruk. Én forsker brukte først 6 timer på å rense 40 000 rader med husholdningsbudsjettdata manuelt. Uten å dele dataene i det hele tatt, beskrev han bare variabelnavnene og strukturen til AI og ba om en rensekode. AI genererte et R-skript; Forskeren kjørte koden i sitt eget miljø, sjekket antall linjer og oppsummeringsstatistikk for hvert trinn, og fikset to logiske feil. Varighet: 70 minutter i stedet for 6 timer. Dataene gikk aldri ut; Ansvaret forble hos forskeren.
Tilfelle 2 – Ubekreftet tallfelle. "Hva er elastisiteten mellom BNP-vekst og utenlandske direkteinvesteringer," spurte en doktorgradsstudent AI. AI-en ga selvsikkert et tall på "omtrent 0,34", selv om den ikke hadde tilgang til noen data. Eleven skrev dette i litteratursammendraget; Da rådgiveren hans spurte om kilden, viste det seg at tallet ikke hadde grunnlag og var fullstendig oppdiktet. Feil: Forventer konkret statistikk fra AI uten å gi data og ressurser til det.
Sak 3 – Konfidensialitet og kontraktsbrudd. En analytiker lastet opp Excel, som han mottok fra et lisensiert firmapanel, som inneholder firmanavnet og omsetningen, til et offentlig tilgjengelig AI-verktøy og sa "gjør panelregresjon." Dataleverandørens kontrakt forbød overføring av data til tredjepartssystemer; Hendelsen førte til en samsvarsgjennomgang. Den riktige måten var å erstatte firmanavnene med anonyme koder eller å ikke dele data og bare be om panelregresjonskoden og kjøre den i sitt eget miljø.
Svak forespørsel / Sterk forespørsel
Svak melding:
Analyser sammenhengen mellom inflasjon og arbeidsledighet og angi koeffisienten.
Denne påstanden er feil: Ingen data ble gitt til AI, det er ikke klart hvilket land, hvilken periode, hvilken modell. AI kan bare svare med en sammensatt koeffisient.
Kraftig ledetekst:
Din rolle: du er en analyseassistent som bistår økonometriforskeren. Jeg deler IKKE dataene med deg; Jeg vil bare ha RUNNABLE R-kode. Jeg har årlig panel: variabler land, år, arbeidsledighet, inflasjon (alle numeriske). Oppgave: 1) skriv en regresjonskode for fasteffektpanel for arbeidsledighet ~ inflasjon (plm-pakke), 2) forklar hvert trinn i koden med en kommentarlinje, 3) merk at koeffisienten skal tolkes som relasjonell, ikke CAUSAL, 4) lag opp funksjonsargumentet som du ikke er sikker på; Jeg skal løpe og verifisere resultatet i mitt eget miljø.
I denne forespørselen deles ingen data, rollen, pakker, forventning om kommentarer og forbudet mot "fabrikasjon" er tydelige. Du kjører fortsatt og verifiserer utdataene selv.
Følgende tabell oppsummerer reglene for én setning i denne leksjonen:
prinsippet
Hva betyr det
AI er en assistent
Vitenskapelig beslutning og ansvar tilhører den sakkyndige
Be om koden, lag resultatet
AI-en husker ikke nummeret; du kjører den og regner ut
beholde data
Mikro/lisensierte data forlater ikke det sikre miljøet
bekrefte
Hver sak, kode, kommentar blir sjekket; fabrikasjon avvises
Vanlige feil
- Forventer konkret statistikk fra AI uten å gi data. Modellen kan ikke få tilgang til dataene; Koeffisienten, korrelasjonen og p-verdien den gir er falske. Be alltid om koden og lag resultatet selv.
- Stoler på hallusinatoriske funksjoner. AI kan foreslå en R/Python-funksjon eller et argument som ikke eksisterer. Ikke godta koden uten å kjøre og bekrefte den.
- Laster opp mikrodata til offentlig verktøy. Det er et brudd på KVKK/GDPR og databruksavtale. Anonymiser data eller ikke del dem i det hele tatt.
- Ta feil av flyt for nøyaktighet. En velskrevet anmeldelse kan være unøyaktig. Det fine med setningen er ikke bevis.
- Godta kausalt språk uten kontroll. YZ sier ofte "X øker Y"; mens de fleste regresjoner bare viser sammenhenger. Forsvar årsakspåstanden med design.
Tips: Når du arbeider med AI, still deg selv dette spørsmålet: "Hvis en dommer eller revisor ber om dette resultatet, kan jeg vise kilden og kontoen?" Hvis svaret er nei, er utgangen ennå ikke klar til bruk.
Oppsummert
AI gir en reell og massiv akselerasjon i utførelseslaget (kode, opprydding, graf, utkast) av arbeidsflyten for økonometrikk og statistikk; modellvalg, årsakssammenheng, tolkning, publisering og politiske beslutninger tilhører imidlertid eksperten. Tre grunnleggende disipliner: ikke minn AI på nummeret, be om koden og generer og verifiser resultatet selv; ikke fjern mikro/lisensierte data fra det sikre miljøet; statistisk filter hver utgang. En ubekreftet AI-utgang er like risikabelt som et ikke-evaluert funn.
Søknadsoppgave
Vurder ditt eget (eller et eksempel) datasett. Spør AI om R- eller Python-kode som produserer beskrivende statistikk og en enkel graf ved ganske enkelt å beskrive variabelstrukturen, uten å dele dataene. Kjør den innkommende koden i ditt eget miljø. Hold deretter en sjekkliste: (1) kjørte koden uten feil, (2) er antall linjer/observasjoner som du forventet, (3) hvilke av AIs kommentarsetninger som bruker kausalt språk og bør fikses. Skriv i ett avsnitt om gangen AI reddet deg og minst én feil du fanget.
sjekkliste
- [ ] Jeg fikk ikke AI til å be om konkret statistikk; Jeg ba om koden og produserte resultatet selv.
- [ ] Jeg rekalkulerte hvert tall og hvert testresultat det ga i mitt eget miljø.
- [ ] Jeg bekreftet at funksjonene/argumentene den bruker faktisk eksisterer.
- [ ] Jeg lastet ikke opp mikro/personlige/lisensierte data til et offentlig verktøy.
- [ ] Jeg markerte kommentarene som inneholder årsaksspråk og flyttet dem til relasjonsspråk.
- [ ] Jeg er i stand til å vise kilden og regnskapet til resultatet til en revisor.