Fitimet:
- Aftësia për të lexuar me saktësi rezultatin e regresionit (koeficienti, gabimi standard, vlera p, katrori R) dhe për të vlerësuar në mënyrë kritike interpretimin e inteligjencës artificiale
- Aftësia për të njohur kurthe të tilla si dallimi korrelacion-shkak, endogjeniteti, variablat e anashkaluara dhe regresioni i rremë, dhe frenimi i gjuhës së tepërt shkakësore të inteligjencës artificiale
- Aftësia për të përdorur inteligjencën artificiale për konfigurimin e modelit, kodin dhe hartimin e testeve diagnostikuese, duke ia lënë përgjegjësinë për zgjedhjen dhe interpretimin e modelit njerëzve
Ekonometria është disiplina e testimit të teorisë ekonomike me të dhëna, dhe regresioni është mjeti i saj bazë. "Sa rritet konsumi me rritjen e të ardhurave?", "Cila është marrëdhënia midis interesit dhe investimit?" Pyetje si këto përcaktohen me regresion. Inteligjenca artificiale është shumë e dobishme dhe shumë e rrezikshme në këtë fushë: ajo shkruan kodin e modelit dhe testet diagnostikuese në sekonda, por shpesh është tepër shkakësore dhe tepër e saktë kur interpreton daljen. Flet rrjedhshëm fjalinë “X rrit Y”; ndërsa shumica e regresioneve matin vetëm një marrëdhënie. Thelbi i kësaj njësie është: Përdorni AI për konfigurimin e modelit, kodin dhe testimin diagnostik; por mbani përgjegjësinë për zgjedhjen e modelit, gjykimin e shkakësisë dhe interpretimin tek njeriu.
Leximi i prodhimit të regresionit
Rezultati i një regresioni të thjeshtë kërkon katër gjëra:
- Koeficienti. Një vlerësim se sa ndryshon ndryshorja e varur kur ndryshorja shpjeguese rritet me një njësi. Shenja (plus/minus) dhe madhësia duhet të kenë kuptim ekonomik.
- Gabim standard. Pasiguria e vlerësimit të koeficientit; Nëse është më i vogël, vlerësimi është më i saktë.
- p-vlera. Probabiliteti që koeficienti të shfaqet kaq i madh me supozimin se është "në fakt zero". P i vogël (< 0.05) thuhet se është "statistikisht i rëndësishëm" - por kjo nuk nënkupton rëndësi ekonomike ose kauzalitet.
- R-katrore. Sa nga ndryshimi në variablin e varur shpjegon modeli. Një katror i lartë R nuk do të thotë "modeli i saktë"; Mund të jetë gjithashtu i lartë në regresione të rreme.
Këshillë: Mos e ngatërroni rëndësinë statistikore me rëndësinë ekonomike. Edhe një efekt shumë i vogël, praktikisht i parëndësishëm mund të rezultojë të jetë "i rëndësishëm" (p i vogël) në një mostër të madhe. Së pari, "A është madhësia e këtij koeficienti ekonomikisht e rëndësishme?" ', pastaj kërkoni për rëndësinë.
Korrelacioni nuk është shkakësi: grackat klasike
Ky është paralajmërimi në zemër të ekonometrisë. Marrëdhënia e gjetur nga regresioni shpesh nuk është shkakësi. Grackat kryesore:
- Ndryshore e hequr. Një faktor i tretë që ndikon si në X ashtu edhe në Y, por nuk është në model, krijon një marrëdhënie të rreme midis X dhe Y. (Shembull: nëse "aftësia" hiqet në marrëdhënien midis arsimit dhe të ardhurave, koeficienti do të jetë mashtrues.)
- Kauzaliteti i kundërt (endogjeniteti). Ndërsa mendohet se X ndikon në Y, ndoshta Y ndikon në X ose të dyja janë të ndërsjella. (Numrat e policisë dhe krimi: a u rrit policia sepse u rrit krimi?)
- Pseudo regresion. Dy seri jo-stacionare (trendëse) mund të japin koeficientë të lartë R-katror dhe të rëndësishëm edhe pse nuk ka asnjë lidhje reale ndërmjet tyre. Vetëm sepse të dy rriten me kalimin e kohës.
- Paragjykimi i përzgjedhjes. Nëse kampioni nuk është i rastësishëm, marrëdhënia matet e anuar.
Pretendimi i shkakësisë mund të përcaktohet vetëm me një dizajn të përshtatshëm (metoda të tilla si eksperimenti i kontrolluar, eksperimenti natyror, ndryshorja instrumentale, ndryshimi në ndryshim) dhe supozime të qarta. Inteligjenca artificiale shpesh e humb këtë hollësi.
Kujdes: Nëse AI thotë "ky variabël rrit/zvogëlon atë", freno menjëherë. Problemi: A ka ndonjë variabël të hequr? A është e mundur shkakësia e kundërt? A janë seritë stacionare? Asnjë fjali shkakore nuk hyn në raport derisa të bëhen këto tre pyetje.
Testet diagnostike
Që një regresion të jetë i besueshëm, testohen supozimet e tij: modeli i mbetjeve (termat e gabimit) (autokorrelacioni), heteroskedasticiteti (heteroskedasticiteti), multikolineariteti (variablat shpjegues janë shumë të ngjashëm me njëri-tjetrin), shpërndarja normale. Inteligjenca artificiale shkruan kodin për këto teste; por është detyra e ekonomistit të interpretojë rezultatet dhe të rregullojë modelin në përputhje me rrethanat.
tre mini kuti
Rasti 1 - Regresion i rremë. Një studiues regresoi dy seri tendencash (një shpenzim nominal, një sasi nominale tjetër); R-katrori ishte 0.98, koeficienti ishte shumë domethënës. AI “është një marrëdhënie e fortë”, tha ai. Studiuesi testoi për stacionaritetin: të dyja seritë ishin jo-stacionare. Pasi u ndanë, marrëdhënia u zhduk kryesisht. R-katrori i lartë ishte thjesht sepse ata të dy u rritën me kalimin e kohës. U kap regresioni i rremë.
Rasti 2 - Ndryshorja e hequr. Një analizë zbuloi se "shpenzimet e reklamave rritin shitjet". Ekonomisti pyeti: a ka efekt sezonal në model? nuk kishte. Si reklamat ashtu edhe shitjet po rriteshin para festës; Një pjesë e marrëdhënies ishte sezonaliteti. Kur u shtuan variablat dummy të sezonit, koeficienti i reklamimit u bë më i vogël. Pretendimi shkakor është zbutur.
Rasti 3 - I rëndësishëm, por i parëndësishëm. Në një grup të madh mikro të dhënash, një koeficient ishte p<0.001; AI "ndikim i fortë", tha ai. Por madhësia e koeficientit ishte praktikisht e papërfillshme (një ndryshim i madh në të ardhura e zhvendosi rezultatin me një të mijëtën). Ekonomisti me të drejtë e cilësoi atë si "statistikisht domethënëse, por ekonomikisht të parëndësishme". Rëndësia nuk ishte një zëvendësim për rëndësinë.
Tabela e moderimit të komenteve
thotë inteligjenca artificiale
Pyet ekonomisti
"X rrit Y"
Ndryshorja e hequr? Kauzalitet i kundërt?
"R-katrori është i lartë, modeli është i mirë"
A janë seritë stacionare? Regresion i rremë?
"p<0.05, domethënëse"
A ka rëndësi madhësia ekonomikisht?
"Koeficienti 0.3"
A janë shenja dhe njësia e saj në përputhje me teorinë?
"Marrëdhënia është e fortë"
A është e njëanshme përzgjedhja e mostrës?
Katër shabllone të kopjueshëm
1) Skica e instalimit të modelit:
Unë do të shqyrtoj pyetjen e mëposhtme ekonomike: [pyetje]. Variabla e varur: [Y]. Përshkruesit e kandidatëve: [X's]. Më sugjeroni një konfigurim të përshtatshëm fillestar të regresionit (kodi i statsmodels). Shpjegoni se cilat variabla kontrolli nevojiten dhe pse. MOS pretendoni shkakësinë; Përdorni gjuhën e marrëdhënieve.
2) Testet diagnostike:
Shkruani në kod testet diagnostike për regresionin që kam vendosur: autokorrelacioni, heteroskedasticiteti, multikolineariteti, dispersioni i mbetjeve dhe stacionariteti (nëse është një seri kohore). Shkruani shkurtimisht si të interpretoni çdo rezultat të testit dhe çfarë të bëni nëse ka probleme.
3) Kontrolli i shkakësisë:
Interpretoni këtë rezultat të regresionit, por së pari kontrolloni këto tre gracka: (1) a mund të ketë një variabël të anashkaluar dhe cila, (2) është e mundur shkakësia e kundërt, (3) a janë seritë stacionare / a ekziston rreziku i regresionit të rremë? Tregoni qartë nëse rezultati duhet të interpretohet si shkakësor apo thjesht relacional.
4) Dallimi rëndësi-rëndësi:
Interpretoni koeficientin e mëposhtëm: vlerën [x], gabimin standard [y], p-vlerën [z]. Vlerësoni rëndësinë statistikore veçmas, rëndësinë ekonomike veçmas: a është madhësia e këtij koeficienti një efekt praktikisht i rëndësishëm? Konkretoni madhësinë e ndikimit në një skenar shembull.
Prompt i dobët / Prompt i fortë
Njoftim i dobët:
Bëni një regresion me këto variabla dhe interpretoni rezultatin.
Inteligjenca artificiale e interpreton atë në një gjuhë shkakësore, pa kryer teste diagnostikuese ose pa kontrolluar stacionaritetin; regresioni i rremë ose variabli i lënë pas dore.
Njoftim i fuqishëm:
Variabli i varur është konsumi, të ardhurat shpjeguese; seri mujore, në trend. Së pari testoni stacionaritetin; merrni dallimin nëse është e nevojshme. Vendosni regresionin, kryeni teste diagnostikuese (autokorrelacion, heteroskedasticitet). Diskutoni në mënyrë eksplicite rreziqet e variablave të anashkaluar dhe anuloni kauzalitetin kur interpretoni rezultatin; Përdorni gjuhë relacionale dhe jo shkakore. Vlerësoni rëndësinë dhe rëndësinë ekonomike veçmas dhe jepni kodin për secilin hap.
Gabimet e zakonshme
- Gabimi i korrelacionit për shkakun. Gabimi më i zakonshëm dhe më i shtrenjtë.
- Gabimi i një katrori të lartë R për cilësi. Është gjithashtu i lartë në regresione të rreme.
- Duke anashkaluar kontrollin e stazës. Seritë e tendencës prodhojnë marrëdhënie të rreme.
- Ngatërrimi i kuptimit me rëndësinë. P i vogël nuk do të thotë efekt i madh.
- Anashkalimi i testeve diagnostikuese. Supozimi i shkelur e mposht të gjithë përfundimin.
- Pranimi i gjuhës shkakësore të AI siç është. Gjykimi i takon njeriut.
Në përmbledhje
Regresioni është një mjet i fuqishëm, por në grackë. Koeficienti i leximit, gabimi standard, vlera p dhe R-katrori saktë; dallimin ndërmjet korrelacionit dhe shkakësisë; kontrollimi i variablave të lënë pas dore, kauzaliteti i kundërt dhe grackat e rreme të regresionit; Është e nevojshme të bëhet dallimi midis rëndësisë dhe rëndësisë ekonomike. AI është duke u përshpejtuar në gjenerimin e kodit dhe diagnozës, por ajo flet shumë në mënyrë shkakësore; Zgjedhja e modelit dhe gjykimi i shkakësisë i takon ekonomistit.
Detyra e aplikimit
Vendosni një regresion të thjeshtë me të dhënat që keni (p.sh. konsumi-të ardhurat). Krijoni konfigurimin me shabllonin e parë dhe testet diagnostike të prodhuara me shabllonin e dytë. Më pas kontrolloni për shkakësinë me shabllonin 3, duke emërtuar të paktën një variabël të mundshëm të hequr dhe një skenar të kundërt të shkakësisë. Përkthejeni një fjali shkakësore nga interpretimi fillestar i AI në gjuhën relacionale dhe vini re ndryshimin.
listë kontrolli
- [ ] Kam lexuar saktë koeficientin, gabimin standard, vlerën p dhe katrorin R.
- [ ] Kontrollova stacionaritetin e serisë dhe eliminova rrezikun e regresionit të rremë.
- [ ] I emërova variablin e hequr dhe mundësitë e kauzalitetit të kundërt.
- [ ] Kam kryer teste diagnostikuese dhe kam vlerësuar shkeljet.
- [ ] Unë vlerësova veçmas rëndësinë statistikore dhe rëndësinë ekonomike.
- [ ] Unë e kam tërhequr gjuhën shkakësore të inteligjencës artificiale në gjuhën relacionale.
- [ ] Unë mbaja qëndrimin se zgjedhja e modelit dhe gjykimi i shkakësisë ishte e imja.