Câștiguri:
- Fiind capabil să distingă unde în fluxul de lucru empiric (curățarea datelor, codul, vizualizarea, interpretarea schiței) inteligența artificială economisește timp real și unde deciziile precum selecția modelului, afirmația de cauzalitate și decizia de publicare sunt lăsate la latitudinea expertului, în funcție de nivelul de risc al sarcinii.
- Abilitatea de a aplica o disciplină care verifică fiecare ieșire de inteligență artificială (număr, coeficient, cod, comentariu) prin pașii de recalculare, legarea la sursă și filtrarea statistică.
- Capacitatea de a procesa în siguranță microdate și seturi de date confidențiale/licențiate în domeniul de aplicare al KVKK/GDPR și al acordurilor de utilizare a datelor și de a dobândi obiceiul de a alege instrumentele adecvate.
Aceleași întrebări apar în fiecare zi pe biroul unui econometrician sau al unui statistician aplicat: Este acest set de date de încredere? Ce să faci cu aceste valori lipsă? Ce spune cu adevărat coeficientul acestei regresii? Este această relație cauzală sau pur și simplu corelațională? Deoarece această valoare p este semnificativă, pot să o scriu în articol sau în documentul de politică? Unele dintre aceste întrebări sunt repetitive, consumatoare de cod și consumă mult timp: curățarea datelor, trasarea aceluiași grafic de zece ori, depanarea codului R sau Python, șirarea rezultatelor într-un tabel. Alții determină în mod direct validitatea unei constatări, onestitatea unei publicații sau acuratețea unei decizii de politică.
Inteligența artificială (AI pe scurt, AI - sisteme informatice care pot produce text și cod ca oamenii, recunosc tipare, rezumă date și scrie comentarii; cea mai folosită formă astăzi sunt modelele de limbaj mari, adică sistemele care sunt antrenate pe text uriaș și construiesc propoziții prezicând următorul cuvânt) se află chiar în mijlocul acestui tabel. Când este utilizat corect, reduce orele de curățare a codului de date la minute, vă amintește de sintaxa unui test statistic complex sau redactează interpretarea unui coeficient. Când este folosit incorect, prezintă un număr aparent sigur, dar complet fabricat, o semnificație falsă sau o relație non-cauzoală ca „descoperire”.
Această primă unitate nu este o introducere a software-ului. Scopul său este de a clarifica unde să puneți AI în fluxul dvs. de lucru empiric și unde să nu o puneți niciodată. Econometria este atât un domeniu „critic pentru metoda”, cât și indirect „critic pentru decizia”: coeficientul unui model pe care îl construiți poate fi input-ul pentru decizia unei bănci centrale privind rata dobânzii, schimbarea politicii unei autorități de reglementare sau investiția de un milion de dolari a unei firme. Să expunem de la început principiul de bază: inteligența artificială este un asistent de analiză, nu un cercetător. Responsabilitatea și aprobarea finală a selecției modelului, a strategiei de identificare, a afirmației cauzalității, a publicării și a deciziilor politice revine expertului competent.
Straturi ale fluxului de lucru empiric și locul AI
Este util să împărțim un studiu empiric în trei straturi. Stratul de execuție este munca tehnică de zi cu zi: codul de curățare a datelor, desenul grafic, formatarea tabelului, depanarea sintaxei. Stratul de metodă este decizia analitică: ce model, ce strategie de identificare, ce test, care verificare ipoteză. Stratul de interpretare și decizie este sensul constatărilor: ce spune coeficientul, este cauzal, ce înseamnă pentru politică, dacă ar fi publicat. AI atinge toate cele trei straturi, dar cu autoritate diferită în fiecare. La nivelul de execuție, AI schițează și generează rapid cod; La nivelul de interpretare și decizie, se oferă doar input și expertul ia decizia.
Să definim câțiva termeni de bază de la început. Econometria este ramura care analizează datele economice și sociale cu metode statistice și măsoară relațiile. Regresia este o metodă care modelează numeric relația dintre o variabilă de rezultat (variabilă dependentă) cu una sau mai multe variabile explicative (variabile independente). Coeficientul este numărul care arată câte unități de modificare este asociată în medie o modificare de o unitate a unei variabile explicative în variabila rezultat. Valoarea p este probabilitatea ca rezultatul observat (sau un rezultat mai extrem) să apară întâmplător atunci când nu există efectiv niciun efect. Vom explica aceste concepte unul câte unul în următoarele unități; Deocamdată, știți asta: în toate acestea, AI vă oferă planul, codul și explicația, dar nu ia decizii științifice.
Următorul tabel rezumă rolul și nivelul de risc al IA în funcție de misiune:
Căutare
Rolul AI
Nivel de risc
Cine aprobă
Scrierea codului de dezinfectare a datelor
generator de coduri
scăzută
Analistul însuși (cu testarea codului)
Schiță de diagramă/tabel
generator de schițe
scăzută
analist
Memento de sintaxă de testare/model
Asistent de referință
scăzut-mediu
analist
Proiect de interpretare a coeficientului
redactor de schițe
mediu
econometrician
Selectarea modelului/strategiei de identificare
intrare auxiliară
înalt
cercetător expert
Pretenție de cauzalitate
Doar o schiță, niciodată ultimul cuvânt
foarte sus
Expert + evaluare de la egal la egal
Publicare/decizie de politică
numai intrare
foarte sus
Investigator/instituție responsabil
Țineți minte singura linie din acest tabel: pe măsură ce riscul crește, rolul AI se micșorează și aprobarea experților crește.
De ce „verificarea” este inima acestei afaceri
Modelele lingvistice par încrezătoare în răspunsul lor, dar s-ar putea să nu fie siguri. În limbajul tehnic, aceasta se numește halucinație: este fabricarea de către model a informațiilor inexistente într-o propoziție fluentă, ca și cum ar fi adevărată. Pentru un econometrician, aceasta este o capcană mortală. Modelul vă poate oferi un număr exact, cum ar fi „Corelația dintre șomaj și inflație în Türkiye între 2015-2020 este 0,62”; Cu toate acestea, nu v-a văzut niciodată datele și acest număr este complet inventat. Sau s-ar putea spune: „Valoarea p testului alb a fost 0,03”; întrucât nu a efectuat niciun test. Poate apela o funcție R cu un argument care nu există de fapt. Pe toate trei le cântă cu aceeași fluență; Singurul lucru care separă binele de rău sunt cunoștințele și obiceiul tău de a verifica.
Disciplina de verificare constă în trei etape:
- Recalculați / rulați în propriul mediu: Calculați fiecare număr, raport, rezultat al testului și coeficient dat de AI în R/Python cu propriile date, nu din memoria AI. Utilizați AI pentru a scrie codul, nu pentru a vă aminti rezultatul. Rulați codul, produceți rezultatul.
- Link către sursă: Bazați-vă pe manuale, articole despre metode și documente oficiale pentru regulile, formulele și definițiile metodei. Confirmați declarația AI „presupunerea acestui test este” cu o sursă de încredere.
- Filtru statistic: Testați cu ochi experți dacă rezultatul contravine logicii statistice (ipoteze, eșantion, dimensiunea efectului, incertitudine). Respingeți un rezultat „înțeles, dar absurd”.
Atenție: introducerea unui coeficient, test sau interpretare generat de IA într-un articol, teză sau notă de politică fără a-l valida este ca și cum ai publica o constatare nerevizuită. Doar pentru că rezultatul este fluent nu este adevărat; Doar pentru că numărul pare sigur, nu este real.
Confidențialitate: microdatele și datele cu licență sunt protejate în mod privat
Microdatele (înregistrări unice la nivel de individ, gospodărie, firmă sau pacient) sunt frecvent utilizate în econometrie. Majoritatea acestor date sunt date cu caracter personal și sunt protejate prin KVKK (Legea privind protecția datelor cu caracter personal) în Turcia și GDPR în Europa. În plus, TurkStat, băncile centrale, furnizorii de date de panouri și sursele comerciale oferă adesea date cu un acord de utilizare a datelor; Aceste acorduri interzic transferul datelor către terți. Lipirea unui tabel care conține informații de identitate, venituri, sănătate sau secrete ale companiei într-un instrument public de chat AI este atât o încălcare KVKK/GDPR, cât și o încălcare a contractului; deoarece datele merg la un server extern și pot fi folosite în antrenamentul modelului în unele instrumente.
Regula este simplă: păstrați datele în propriul mediu sigur, cereți AI-ului doar cod și metode. Fluxul de lucru ideal este acesta: cereți AI-ului codul de analiză, rulați codul cu datele reale pe propriul computer/server de întreprindere. Dacă într-adevăr trebuie să partajați date, anonimizați (eliminați câmpurile de identificare), agregați (medie/numărătoare mai degrabă decât individuale) și alegeți instrumente care sunt instituționale, au un acord de prelucrare a datelor și nu vă folosiți datele în educație.
trei mini cutii
Cazul 1 – Utilizare sigură și eficientă. Un cercetător a petrecut mai întâi 6 ore curățând manual 40.000 de rânduri de date privind bugetul gospodăriei. Fără să partajeze deloc datele, a descris doar numele și structura variabilelor către AI și a cerut un cod de curățare. AI a generat un script R; Cercetătorul a rulat codul în propriul său mediu, a verificat numărul de linii și statisticile rezumate ale fiecărui pas și a remediat două erori de logică. Durata: 70 de minute în loc de 6 ore. Datele nu au fost niciodată difuzate; Responsabilitatea a rămas în sarcina cercetătorului.
Cazul 2 — Capcană de număr neverificat. „Care este elasticitatea dintre creșterea PIB-ului și investițiile străine directe”, a întrebat un student absolvent pentru AI. AI a dat cu încredere un număr de „aproximativ 0,34”, chiar dacă nu a avut acces la nicio dată. Elevul a scris acest lucru în rezumatul literaturii; Când consilierul său a întrebat despre sursă, s-a dovedit că numărul nu avea nicio bază și a fost complet fabricat. Greșeală: așteptarea unor statistici concrete de la AI fără a-i oferi date și resurse.
Cazul 3 – Confidențialitate și încălcare a contractului. Un analist a încărcat Excel, pe care l-a primit de la un panou al companiei licențiate, care conține numele companiei și cifra de afaceri, într-un instrument AI disponibil public și a spus „efectuați regresia panoului”. Contractul furnizorului de date interzicea transferul de date către sisteme terțe; Incidentul a determinat o evaluare a conformității. Calea corectă a fost să înlocuiți numele companiilor cu coduri anonime sau să nu partajați date și să solicitați doar codul de regresie al panoului și să îl rulați în propriul mediu.
Prompt slab / Prompt puternic
Prompt slab:
Analizați relația dintre inflație și șomaj și precizați coeficientul.
Această afirmație este greșită: nu au fost furnizate date către AI, nu este clar în ce țară, în ce perioadă, în ce model. AI poate răspunde doar cu un coeficient inventat.
Solicitare puternică:
Rolul dumneavoastră: sunteți asistent de analiză care asistă cercetătorul în econometrie. NU vă împărtășesc datele; Vreau doar codul R RUNNABLE. Am panoul anual: variabile tara, an, somaj, inflatie (toate numerice). Sarcină: 1) scrieți un cod de regresie panou cu efecte fixe pentru șomaj ~ inflație (pachet plm), 2) explicați fiecare pas din cod cu o linie de comentariu, 3) rețineți că coeficientul ar trebui interpretat ca relațional, nu CAUSAL, 4) alcătuiți argumentul funcției despre care nu sunteți sigur; Voi rula și voi verifica rezultatul în propriul meu mediu.
În această solicitare, nu sunt partajate date, rolul, pachetele, așteptarea de comentarii și interzicerea „fabricației” sunt clare. Încă rulați și verificați singur rezultatul.
Următorul tabel rezumă regulile cu o singură propoziție din această lecție:
principiu
Ce înseamnă
AI este un asistent
Decizia și responsabilitatea științifică aparțin expertului
Solicitați codul, produceți rezultatul
AI nu-și amintește numărul; il rulezi si calculezi
păstrează datele
Datele micro/licențiate nu părăsesc mediul securizat
verifica
Fiecare problemă, cod, comentariu este verificat; fabricația este respinsă
Greșeli comune
- Așteptați statistici concrete de la AI fără a oferi date. Modelul nu poate accesa datele; Coeficientul, corelația și valoarea p pe care le oferă sunt false. Solicitați întotdeauna codul și produceți singur rezultatul.
- Bazându-se pe funcțiile halucinatorii. AI poate sugera o funcție sau un argument R/Python care nu există. Nu acceptați codul fără să îl rulați și să îl verificați.
- Încărcarea microdatelor în instrumentul public. Este o încălcare a KVKK/GDPR și a acordului de utilizare a datelor. Anonimizați datele sau nu le partajați deloc.
- Confundarea fluenței cu acuratețea. O recenzie bine scrisă poate fi inexactă. Frumusețea propoziției nu este o dovadă.
- Acceptarea limbajului cauzal fără control. YZ spune adesea „X crește Y”; în timp ce majoritatea regresiilor arată doar relații. Apărați afirmația cauzală cu design.
Sfat: Când lucrați cu AI, puneți-vă această întrebare: „Dacă un arbitru sau un auditor solicită acest rezultat, pot arăta sursa și contul?” Dacă răspunsul este nu, rezultatul nu este încă pregătit pentru utilizare.
În concluzie
AI oferă o accelerare reală și masivă în stratul de execuție (cod, curățare, grafic, schiță) a fluxului de lucru de econometrie și statistică; cu toate acestea, selecția modelului, cauzalitatea, interpretarea, publicarea și deciziile politice aparțin expertului. Trei discipline de bază: nu reamintiți AI-ului numărul, cereți codul și generați și verificați singur rezultatul; nu eliminați datele micro/licențiate din mediul securizat; filtrul statistic pentru fiecare ieșire. O ieșire AI neverificată este la fel de riscantă ca o constatare nerevizuită.
Sarcina de aplicare
Luați în considerare propriul set de date (sau un exemplu). Cereți AI pentru codul R sau Python care produce statistici descriptive și un grafic simplu, prin simpla descriere a structurii variabilei, fără a partaja datele. Rulați codul primit în propriul mediu. Apoi păstrați o listă de verificare: (1) a rulat codul fără erori, (2) este numărul de linii/observații așa cum vă așteptați, (3) care dintre propozițiile de comentarii ale AI utilizează limbaj cauzal și ar trebui remediate. Într-un paragraf, scrie despre timpul în care te-a salvat AI și despre cel puțin un bug pe care l-ai prins.
lista de verificare
- [ ] Nu am făcut ca AI să ceară statistici concrete; Am cerut codul și am produs singur rezultatul.
- [ ] Am recalculat fiecare număr și rezultatul testului pe care l-a dat în propriul meu mediu.
- [ ] Am verificat că funcțiile/argumentele pe care le folosește chiar există.
- [ ] Nu am încărcat date micro/personale/licențiate într-un instrument public.
- [ ] Am marcat comentariile care conțin limbaj cauzal și le-am mutat în limbaj relațional.
- [ ] Pot să arăt unui auditor sursa și contabilizarea rezultatelor.