Ganhos:
- Capacidade de ler com precisão o resultado da regressão (coeficiente, erro padrão, valor p, R-quadrado) e avaliar criticamente a interpretação da inteligência artificial
- Capacidade de reconhecer armadilhas como a distinção entre correlação e causa, endogeneidade, variáveis omitidas e regressão espúria, e conter a linguagem causal excessiva da inteligência artificial
- Capacidade de usar inteligência artificial para configuração de modelo, elaboração de código e teste de diagnóstico, deixando a responsabilidade pela seleção e interpretação do modelo para humanos
A econometria é a disciplina que testa a teoria econômica com dados, e a regressão é sua ferramenta básica. “Quanto aumenta o consumo à medida que aumenta a renda?”, “Qual a relação entre juros e investimento?” Perguntas como essas são quantificadas por regressão. A IA é muito útil e muito perigosa nesta área: ela escreve código de modelo e testes de diagnóstico em segundos, mas muitas vezes é excessivamente causal e precisa ao interpretar o resultado. Fala a frase “X aumenta Y” com fluência; enquanto a maioria das regressões mede apenas um relacionamento. A essência desta unidade é: Usar IA para configuração de modelo, código e testes de diagnóstico; mas mantenha a responsabilidade pela seleção do modelo, julgamento de causalidade e interpretação do ser humano.
Lendo a saída da regressão
A saída de uma regressão simples procura quatro coisas:
- Coeficiente. Uma estimativa de quanto a variável dependente muda quando a variável explicativa aumenta em uma unidade. O sinal (mais/menos) e a magnitude devem ter significado económico.
- Erro padrão. A incerteza da estimativa do coeficiente; Se for menor, a estimativa é mais precisa.
- valor p. A probabilidade do coeficiente aparecer tão grande sob a suposição de que é "na verdade zero". Diz-se que p pequeno (<0,05) é “estatisticamente significativo” – mas isto não implica significância económica ou causalidade.
- R-quadrado. Quanto da mudança na variável dependente o modelo explica. Um R-quadrado alto não significa o "modelo correto"; Também pode ser elevado em regressões espúrias.
Dica: Não confunda significância estatística com significância econômica. Mesmo um efeito muito pequeno, praticamente insignificante, pode revelar-se “significativo” (p pequeno) numa amostra grande. Primeiro, "O tamanho deste coeficiente é economicamente importante?" ', então procure por significado.
Correlação não é causalidade: armadilhas clássicas
Esta é a advertência que está no cerne da econometria. A relação encontrada pela regressão muitas vezes não é de causalidade. Principais armadilhas:
- Variável omitida. Um terceiro factor que afecta tanto X como Y mas não está no modelo cria uma relação espúria entre X e Y. (Exemplo: se a “capacidade” for omitida na relação entre educação e rendimento, o coeficiente será enganador.)
- Causalidade reversa (endogeneidade). Embora se pense que X afeta Y, talvez Y afete X ou os dois sejam mútuos. (Número policial e criminalidade: a polícia aumentou porque a criminalidade aumentou?)
- Pseudo regressão. Duas séries não estacionárias (tendência) podem produzir coeficientes R-quadrados elevados e significativos, mesmo que não haja uma relação real entre elas. Só porque ambos crescem com o tempo.
- Viés de seleção. Se a amostra não for aleatória, a relação será medida distorcida.
A afirmação de causalidade só pode ser estabelecida com um desenho apropriado (métodos como experimento controlado, experimento natural, variável instrumental, diferença em diferença) e suposições claras. A inteligência artificial muitas vezes não percebe essa sutileza.
Cuidado: Se a IA disser “esta variável aumenta/diminui aquela”, freie imediatamente. Problema: Há alguma variável omitida? A causalidade reversa é possível? As séries são estacionárias? Nenhuma sentença causal entra no relatório até que essas três perguntas sejam feitas.
Testes de diagnóstico
Para que uma regressão seja confiável, são testados seus pressupostos: padrão de resíduos (termos de erro) (autocorrelação), heterocedasticidade (heterocedasticidade), multicolinearidade (variáveis explicativas são muito semelhantes entre si), distribuição normal. A inteligência artificial escreve o código para esses testes; mas cabe ao economista interpretar os resultados e ajustar o modelo em conformidade.
três mini cases
Caso 1 — Regressão espúria. Um pesquisador regrediu duas séries de tendências (uma despesa nominal, uma nominal e outra quantidade); O R ao quadrado foi de 0,98, o coeficiente foi altamente significativo. A IA “é um relacionamento forte”, disse ele. O pesquisador testou a estacionariedade: ambas as séries eram não estacionárias. Depois que foram separados, o relacionamento desapareceu em grande parte. O alto R ao quadrado ocorreu simplesmente porque ambos cresceram com o tempo. Regressão espúria detectada.
Caso 2 — Variável omitida. Uma análise descobriu que “os gastos com publicidade aumentam as vendas”. O economista perguntou: há efeito sazonal no modelo? Não houve. Tanto a publicidade quanto as vendas aumentavam antes do feriado; Parte do relacionamento era a sazonalidade. Quando foram adicionadas variáveis dummy de estação, o coeficiente de publicidade tornou-se menor. A alegação causal foi suavizada.
Caso 3 — Significativo mas insignificante. Num grande conjunto de microdados, o coeficiente foi p<0,001; AI “forte impacto”, disse ele. Mas a magnitude do coeficiente foi praticamente insignificante (uma grande variação na renda deslocou o resultado em um milésimo). O economista enquadrou-o corretamente como “estatisticamente significativo, mas economicamente insignificante”. A significância não substituiu a importância.
Tabela de moderação de comentários
inteligência artificial diz
O economista pergunta
"X aumenta Y"
Variável omitida? Causalidade reversa?
"R-quadrado é alto, o modelo é bom"
As séries são estacionárias? Regressão falsa?
"p<0,05, significativo"
O tamanho importa economicamente?
"Coeficiente 0,3"
Seu sinal e unidade são compatíveis com a teoria?
“A relação é forte”
A seleção da amostra é tendenciosa?
Quatro modelos copiáveis
1) Esboço de instalação do modelo:
Examinarei a seguinte questão econômica: [questão]. Variável dependente: [Y].Descritores candidatos: [X's]. Sugira-me uma configuração de regressão inicial adequada (código statsmodels). Explique quais variáveis de controle são necessárias e por quê. NÃO reivindique causalidade; Use uma linguagem de relacionamento.
2) Testes de diagnóstico:
Escreva em código os testes diagnósticos para a regressão que configurei: autocorrelação, heterocedasticidade, multicolinearidade, dispersão de resíduos e estacionariedade (se for uma série temporal). Escreva brevemente como interpretar cada resultado de teste e o que fazer se houver problemas.
3) Controle de causalidade:
Interprete o resultado da regressão, mas primeiro verifique estas três armadilhas: (1) poderia haver uma variável omitida e qual delas, (2) a causalidade reversa é possível, (3) as séries são estacionárias/há risco de regressão espúria? Indique claramente se o resultado deve ser interpretado como causal ou meramente relacional.
4) Distinção significância-importância:
Interprete o seguinte coeficiente: valor [x], erro padrão [y], valor p [z]. Avaliar a significância estatística separadamente, a significância económica separadamente: a magnitude deste coeficiente é um efeito praticamente significativo? Concretize a magnitude do impacto num cenário de exemplo.
Alerta fraco / Alerta forte
Alerta fraco:
Faça uma regressão com essas variáveis e interprete o resultado.
A inteligência artificial interpreta-o numa linguagem causal, sem realizar testes de diagnóstico ou verificar a estacionariedade; regressão espúria ou variável omitida é perdida.
Alerta poderoso:
A variável dependente é o consumo, a renda explicativa; série mensal de tendências. Teste primeiro a estacionariedade; obtenha diferença se necessário. Configure a regressão, execute testes de diagnóstico (autocorrelação, heterocedasticidade). Discutir explicitamente os riscos de variáveis omitidas e causalidade reversa na interpretação do resultado; Use linguagem relacional em vez de causal. Avalie a importância e a importância económica separadamente e forneça o código para cada etapa.
Erros comuns
- Confundindo correlação com causalidade. O erro mais comum e mais caro.
- Confundindo um alto R ao quadrado com qualidade. Também é alto em regressões espúrias.
- Ignorando a verificação de estase. Séries de tendências produzem relacionamentos espúrios.
- Confundir significado com significado. P pequeno não significa efeito grande.
- Ignorando testes de diagnóstico. A suposição violada anula toda a inferência.
- Aceitar a linguagem causal da IA como ela é. O julgamento pertence ao homem.
Em resumo
A regressão é uma ferramenta poderosa, mas complicada. Coeficiente de leitura, erro padrão, valor-p e R-quadrado corretamente; distinguir entre correlação e causalidade; verificação de variáveis omitidas, causalidade reversa e armadilhas de regressão espúrias; É necessário distinguir entre significância e importância económica. A IA está acelerando na geração de códigos e diagnósticos, mas fala de maneira muito causal; A escolha do modelo e o julgamento da causalidade cabem ao economista.
Tarefa de aplicativo
Configure uma regressão simples com os dados que você possui (por exemplo, consumo-renda). Faça com que a configuração seja produzida com o 1º modelo e os testes de diagnóstico produzidos com o 2º modelo. Em seguida, verifique a causalidade com o modelo 3, nomeando pelo menos uma possível variável omitida e um cenário de causalidade reversa. Traduza uma frase causal da interpretação inicial da IA para a linguagem relacional e observe a mudança.
lista de verificação
- [] Eu li o coeficiente, erro padrão, valor p e R ao quadrado corretamente.
- [ ] Verifiquei a estacionariedade da série e eliminei o risco de regressão espúria.
- [ ] Nomeei a variável omitida e as possibilidades de causalidade reversa.
- [ ] Fiz testes de diagnóstico e avaliei violações.
- [ ] Avaliei a significância estatística e a significância econômica separadamente.
- [] Eu transformei a linguagem causal da inteligência artificial na linguagem relacional.
- [ ] Afirmei que a escolha do modelo e do julgamento de causalidade era minha.