กำไร:
- ความสามารถในการอ่านผลลัพธ์การถดถอยอย่างแม่นยำ (สัมประสิทธิ์, ความคลาดเคลื่อนมาตรฐาน, ค่า p, R-square) และประเมินการตีความปัญญาประดิษฐ์อย่างมีวิจารณญาณ
- ความสามารถในการรับรู้ข้อผิดพลาด เช่น ความแตกต่างระหว่างความสัมพันธ์และสาเหตุ ความเป็นภายใน ตัวแปรที่ถูกละเว้น และการถดถอยปลอม และควบคุมภาษาที่เป็นสาเหตุมากเกินไปของปัญญาประดิษฐ์
- ความสามารถในการใช้ปัญญาประดิษฐ์ในการตั้งค่าโมเดล การร่างโค้ดและการทดสอบวินิจฉัย โดยปล่อยให้มนุษย์รับผิดชอบในการเลือกและตีความโมเดล
เศรษฐมิติเป็นวินัยในการทดสอบทฤษฎีเศรษฐศาสตร์ด้วยข้อมูล และการถดถอยเป็นเครื่องมือพื้นฐานของทฤษฎีเศรษฐศาสตร์ "การบริโภคเพิ่มขึ้นเท่าใดเมื่อรายได้เพิ่มขึ้น", "ความสัมพันธ์ระหว่างดอกเบี้ยและการลงทุนคืออะไร" คำถามลักษณะนี้วัดปริมาณโดยการถดถอย AI มีประโยชน์มากและอันตรายมากในด้านนี้ โดยจะเขียนโค้ดโมเดลและการทดสอบการวินิจฉัยภายในไม่กี่วินาที แต่มักจะเป็นสาเหตุที่มากเกินไปและแม่นยำเกินไปเมื่อตีความผลลัพธ์ Speaks the sentence "X increases Y" fluently; ในขณะที่การถดถอยส่วนใหญ่จะวัดความสัมพันธ์เดียวเท่านั้น สาระสำคัญของหน่วยนี้คือ: ใช้ AI สำหรับการตั้งค่าโมเดล โค้ด และการทดสอบการวินิจฉัย แต่ยังคงรับผิดชอบในการเลือกแบบจำลอง การตัดสินเชิงสาเหตุ และการตีความในมนุษย์
Reading regression output
ผลลัพธ์ของการถดถอยอย่างง่ายจะมองหาสี่สิ่ง:
- ค่าสัมประสิทธิ์ การประมาณจำนวนตัวแปรตามการเปลี่ยนแปลงเมื่อตัวแปรอธิบายเพิ่มขึ้นหนึ่งหน่วย เครื่องหมาย (บวก/ลบ) และขนาดต้องมีความหมายทางเศรษฐกิจ
- ข้อผิดพลาดมาตรฐาน ความไม่แน่นอนของการประมาณค่าสัมประสิทธิ์ หากน้อยกว่านี้ การประมาณการก็จะแม่นยำยิ่งขึ้น
- ค่า p ความน่าจะเป็นที่สัมประสิทธิ์จะปรากฏมากขนาดนี้ภายใต้สมมติฐานว่าค่าสัมประสิทธิ์เป็น "ศูนย์จริงๆ" p ขนาดเล็ก (< 0.05) กล่าวกันว่ามี "นัยสำคัญทางสถิติ" แต่ไม่ได้หมายความถึงนัยสำคัญทางเศรษฐกิจหรือความเป็นเหตุเป็นผล
- R-กำลังสอง แบบจำลองอธิบายการเปลี่ยนแปลงในตัวแปรตามมากน้อยเพียงใด ค่า R-squared ที่สูงไม่ได้หมายความว่า "แบบจำลองที่ถูกต้อง"; นอกจากนี้ยังอาจมีการถดถอยปลอมสูงอีกด้วย
เคล็ดลับ: อย่าสับสนระหว่างนัยสำคัญทางสถิติกับนัยสำคัญทางเศรษฐกิจ แม้แต่ผลกระทบเล็กๆ น้อยๆ ที่ไม่มีนัยสำคัญในทางปฏิบัติก็อาจกลายเป็น "นัยสำคัญ" (p เล็ก) ในกลุ่มตัวอย่างขนาดใหญ่ ประการแรก "ขนาดของสัมประสิทธิ์นี้มีความสำคัญทางเศรษฐกิจหรือไม่" ' แล้วมองหาความสำคัญ
ความสัมพันธ์ไม่ใช่สาเหตุ: ข้อผิดพลาดแบบคลาสสิก
นี่คือข้อแม้ที่เป็นหัวใจสำคัญของเศรษฐมิติ ความสัมพันธ์ที่พบจากการถดถอยมักไม่ใช่ความสัมพันธ์เชิงสาเหตุ ข้อผิดพลาดที่สำคัญ:
- ละเว้นตัวแปร ปัจจัยที่สามที่ส่งผลกระทบต่อทั้ง X และ Y แต่ไม่อยู่ในแบบจำลองจะสร้างความสัมพันธ์ปลอมระหว่าง X และ Y (ตัวอย่าง: หากละ "ความสามารถ" ในความสัมพันธ์ระหว่างการศึกษาและรายได้ ค่าสัมประสิทธิ์จะทำให้เข้าใจผิด)
- Reverse causality (endogeneity). แม้ว่าจะคิดว่า X ส่งผลต่อ Y แต่ Y อาจส่งผลต่อ X หรือทั้งสองอย่างเกิดขึ้นร่วมกัน (จำนวนตำรวจและอาชญากรรม: ตำรวจเพิ่มขึ้นเพราะอาชญากรรมเพิ่มขึ้นหรือไม่)
- การถดถอยหลอก ชุดข้อมูลที่ไม่คงที่ (มีแนวโน้ม) สองชุดสามารถให้ค่าสัมประสิทธิ์ R-squared สูงและมีนัยสำคัญ แม้ว่าจะไม่มีความสัมพันธ์ที่แท้จริงระหว่างชุดทั้งสองก็ตาม Just because they both grow over time.
- อคติในการเลือก ถ้าตัวอย่างไม่ได้สุ่ม ความสัมพันธ์จะถูกวัดเบ้
การอ้างเหตุผลสามารถกำหนดได้ด้วยการออกแบบที่เหมาะสมเท่านั้น (วิธีการ เช่น การทดลองแบบควบคุม การทดลองทางธรรมชาติ ตัวแปรเครื่องมือ ความแตกต่างในความแตกต่าง) และสมมติฐานที่ชัดเจน ปัญญาประดิษฐ์มักจะพลาดความละเอียดอ่อนนี้
ข้อควรระวัง: หาก AI แจ้งว่า "ตัวแปรนี้เพิ่ม/ลดค่านั้น" ให้เบรกทันที Problem: Are there any variables omitted? Is reverse causality possible? Are the series stationary? ไม่มีประโยคเชิงสาเหตุเข้ามาในรายงานจนกว่าจะถามคำถามทั้งสามข้อนี้
การทดสอบวินิจฉัย
เพื่อให้การถดถอยมีความน่าเชื่อถือ จึงมีการทดสอบสมมติฐาน: รูปแบบของสิ่งตกค้าง (เงื่อนไขข้อผิดพลาด) (ความสัมพันธ์อัตโนมัติ), ความต่างแบบเฮเทอโรสเกดาสติก (ความต่างแบบหลายคอลลิเนียริตี้) (ตัวแปรอธิบายมีความคล้ายคลึงกันมาก) การแจกแจงแบบปกติ ปัญญาประดิษฐ์จะเขียนโค้ดสำหรับการทดสอบเหล่านี้ แต่เป็นหน้าที่ของนักเศรษฐศาสตร์ที่จะต้องตีความผลลัพธ์และปรับแบบจำลองให้เหมาะสม
มินิเคสสามอัน
Case 1 — Spurious regression. นักวิจัยคนหนึ่งถดถอยสองชุดแนวโน้ม (หนึ่งการใช้จ่ายเล็กน้อย หนึ่งระบุอีกปริมาณหนึ่ง); R-squared เท่ากับ 0.98 ซึ่งสัมประสิทธิ์มีนัยสำคัญสูง AI “is a strong relationship,” he said. ผู้วิจัยทดสอบความคงที่: ทั้งสองชุดไม่อยู่กับที่ เมื่อแยกจากกัน ความสัมพันธ์ก็หายไปมาก ค่า R-squared ที่สูงนั้นเป็นเพราะทั้งคู่เติบโตขึ้นตามกาลเวลา Spurious regression caught.
Case 2 — Omitted variable. การวิเคราะห์ชิ้นหนึ่งพบว่า “ค่าโฆษณาช่วยเพิ่มยอดขาย” นักเศรษฐศาสตร์ถามว่า: แบบจำลองนี้มีผลกระทบตามฤดูกาลหรือไม่? ไม่มี. ทั้งการโฆษณาและยอดขายเพิ่มขึ้นก่อนวันหยุด Part of the relationship was seasonality. เมื่อเพิ่มตัวแปรจำลองฤดูกาล ค่าสัมประสิทธิ์การโฆษณาก็น้อยลง The causal claim has been softened.
Case 3 — Significant but insignificant. ในชุดไมโครดาต้าขนาดใหญ่ ค่าสัมประสิทธิ์คือ p<0.001; AI “strong impact,” he said. แต่ขนาดของสัมประสิทธิ์นั้นแทบไม่มีนัยสำคัญเลย (การเปลี่ยนแปลงขนาดใหญ่ของรายได้ทำให้ผลลัพธ์เป็นหนึ่งพัน) นักเศรษฐศาสตร์ตีกรอบอย่างถูกต้องว่า “มีนัยสำคัญทางสถิติ แต่ไม่มีนัยสำคัญทางเศรษฐกิจ” ความสำคัญไม่สามารถทดแทนความสำคัญได้
ตารางการกลั่นกรองความคิดเห็น
artificial intelligence says
นักเศรษฐศาสตร์ถาม
"X เพิ่ม Y"
ละเว้นตัวแปรใช่ไหม เหตุย้อนกลับ?
"R-squared is high, model is good"
Are the series stationary? การถดถอยปลอม?
"p<0.05, มีนัยสำคัญ"
Does size matter economically?
"ค่าสัมประสิทธิ์ 0.3"
Are its sign and unit compatible with theory?
"The relationship is strong"
Is sample selection biased?
เทมเพลตที่สามารถคัดลอกได้สี่แบบ
1) Model installation sketch:
ฉันจะตรวจสอบคำถามทางเศรษฐกิจต่อไปนี้: [คำถาม] ตัวแปรตาม: [Y] ตัวระบุผู้สมัคร: [X's] แนะนำการตั้งค่าการถดถอยเริ่มต้นที่เหมาะสมให้ฉัน (รหัส statsmodels) อธิบายว่าตัวแปรควบคุมใดที่จำเป็นและเพราะเหตุใด อย่าอ้างเหตุผล; Use relationship language.
2) การทดสอบวินิจฉัย:
เขียนโค้ดการทดสอบวินิจฉัยสำหรับการถดถอยที่ฉันตั้งค่าไว้: ความสัมพันธ์อัตโนมัติ, ความต่างกัน, ความหลากหลาย, การกระจายตัวของสารตกค้าง, และความคงที่ (หากเป็นอนุกรมเวลา) เขียนสั้นๆ ว่าควรตีความผลการทดสอบแต่ละรายการอย่างไร และควรทำอย่างไรหากเกิดปัญหา
3) การควบคุมสาเหตุ:
ตีความผลการถดถอยนี้ แต่ก่อนอื่นให้ตรวจสอบข้อผิดพลาดทั้งสามนี้: (1) อาจมีตัวแปรที่ถูกละเว้นหรือไม่ และอันใด (2) เป็นไปได้เชิงสาเหตุแบบย้อนกลับ (3) อนุกรมนั้นหยุดนิ่ง / มีความเสี่ยงของการถดถอยปลอมหรือไม่? ระบุอย่างชัดเจนว่าควรตีความผลลัพธ์ว่าเป็นสาเหตุหรือเพียงเชิงสัมพันธ์เท่านั้น
4) Significance-importance distinction:
Interpret the following coefficient: value [x], standard error [y], p-value [z]. ประเมินนัยสำคัญทางสถิติแยกกัน นัยสำคัญทางเศรษฐกิจแยกกัน: ขนาดของสัมประสิทธิ์นี้มีผลกระทบที่มีนัยสำคัญในทางปฏิบัติหรือไม่ Concrete the magnitude of the impact in an example scenario.
พรอมต์อ่อน / พรอมต์แรง
พรอมต์ที่อ่อนแอ:
Do a regression with these variables and interpret the result.
ปัญญาประดิษฐ์จะตีความเป็นภาษาเชิงสาเหตุ โดยไม่ต้องทำการทดสอบวินิจฉัยหรือตรวจสอบความคงที่ spurious regression or omitted variable is missed.
พรอมต์อันทรงพลัง:
The dependent variable is consumption, the explanatory income; ซีรีย์ยอดนิยมรายเดือน Test stationarity first; รับส่วนต่างหากจำเป็น Set up the regression, run diagnostic tests (autocorrelation, heteroscedasticity). Explicitly discuss the risks of omitted variables and reverse causality when interpreting the result; ใช้ภาษาเชิงสัมพันธ์มากกว่าภาษาเชิงสาเหตุ Evaluate significance and economic significance separately and give the code for each step.
ข้อผิดพลาดทั่วไป
- ความสัมพันธ์ที่ผิดพลาดสำหรับสาเหตุ ข้อผิดพลาดที่พบบ่อยที่สุดและแพงที่สุด
- เข้าใจผิดว่าค่า R-squared สูงสำหรับคุณภาพ นอกจากนี้ยังมีการถดถอยปลอมสูงอีกด้วย
- ข้ามการตรวจสอบภาวะหยุดนิ่ง ซีรีส์ยอดฮิตสร้างความสัมพันธ์ปลอมๆ
- สับสนความหมายกับความหมาย p น้อยไม่ได้หมายถึงผลมาก
- ข้ามการทดสอบวินิจฉัย The assumption violated defeats the entire inference.
- ยอมรับภาษาเชิงสาเหตุของ AI ตามที่เป็นอยู่ การพิพากษาเป็นของมนุษย์
โดยสรุป
การถดถอยเป็นเครื่องมือที่ทรงพลังแต่มีหลุมพราง Reading coefficient, standard error, p-value and R-squared correctly; distinguishing between correlation and causation; checking for omitted variables, reverse causality, and spurious regression pitfalls; จำเป็นต้องแยกแยะระหว่างความสำคัญและความสำคัญทางเศรษฐกิจ AI is accelerating in code and diagnosis generation, but it speaks too causally; การเลือกรูปแบบและการตัดสินสาเหตุขึ้นอยู่กับนักเศรษฐศาสตร์
งานสมัคร
ตั้งค่าการถดถอยอย่างง่ายด้วยข้อมูลที่คุณมี (เช่น รายได้จากการบริโภค-รายได้) สร้างการตั้งค่าด้วยเทมเพลตที่ 1 และทำการทดสอบวินิจฉัยด้วยเทมเพลตที่ 2 จากนั้นตรวจสอบสาเหตุด้วยเทมเพลต 3 โดยตั้งชื่อตัวแปรที่ละเว้นที่เป็นไปได้อย่างน้อยหนึ่งรายการและสถานการณ์สมมติเชิงสาเหตุย้อนกลับหนึ่งรายการ แปลประโยคเชิงสาเหตุจากการตีความ AI เริ่มต้นเป็นภาษาเชิงสัมพันธ์และสังเกตการเปลี่ยนแปลง
รายการตรวจสอบ
- [ ] ฉันอ่านค่าสัมประสิทธิ์ ความคลาดเคลื่อนมาตรฐาน ค่า p และ R-squared ได้อย่างถูกต้อง
- [ ] ฉันตรวจสอบความคงที่ของอนุกรมและขจัดความเสี่ยงของการถดถอยปลอม
- [ ] ฉันตั้งชื่อตัวแปรที่ละไว้และความเป็นไปได้เชิงสาเหตุแบบย้อนกลับ
- [ ] ฉันทำการทดสอบวินิจฉัยและประเมินการละเมิด
- [ ] ฉันประเมินนัยสำคัญทางสถิติและนัยสำคัญทางเศรษฐกิจแยกกัน
- [ ] ฉันได้ดึงภาษาเชิงสาเหตุของปัญญาประดิษฐ์มาเป็นภาษาเชิงสัมพันธ์
- [ ] ฉันยืนยันว่าการเลือกแบบจำลองและการตัดสินสาเหตุเป็นของฉัน