Прибуток:
- Можливість розрізнити, де в емпіричному робочому процесі (очищення даних, код, візуалізація, чернеткова інтерпретація) штучний інтелект економить реальний час, а де такі рішення, як вибір моделі, твердження про причинно-наслідкові зв’язки та рішення щодо публікації, залишаються за експертом, відповідно до рівня ризику завдання.
- Можливість застосовувати дисципліну, яка перевіряє кожен результат штучного інтелекту (число, коефіцієнт, код, коментар) за допомогою етапів перерахунку, зв’язування з джерелом і статистичної фільтрації.
- Здатність безпечно обробляти мікродані та конфіденційні/ліцензійні набори даних у межах KVKK/GDPR та угод про використання даних та набути звички обирати відповідні інструменти.
Ті самі запитання повторюються щодня на столі економетриста чи прикладного статистика: чи надійний цей набір даних; Що робити з цими відсутніми значеннями? Про що насправді говорить коефіцієнт цієї регресії? Цей зв'язок причинно-наслідковий чи просто кореляційний? Оскільки це p-значення є значущим, чи можу я написати його в статті чи аналітичній записці? Деякі з цих запитань повторюються, потребують багато коду та часу: очищення даних, побудова одного графіка десять разів, налагодження коду R або Python, розміщення результатів у таблиці. Інші безпосередньо визначають достовірність висновку, чесність публікації або точність політичного рішення.
Штучний інтелект (коротше кажучи, ШІ — комп’ютерні системи, які можуть виробляти текст і кодувати, як люди, розпізнавати шаблони, узагальнювати дані та писати коментарі; найбільш використовувана форма сьогодні — це великі мовні моделі, тобто системи, які навчаються на величезному тексті та створюють речення, передбачаючи наступне слово) знаходиться прямо посередині цієї таблиці. При правильному використанні він скорочує години коду очищення даних до хвилин, нагадує вам синтаксис складного статистичного тесту або готує інтерпретацію коефіцієнта. При неправильному використанні він представляє начебто впевнене, але повністю сфабриковане число, хибне значення або непричинно-наслідковий зв’язок як «знахідку».
Цей перший блок не є вступом до програмного забезпечення. Його мета полягає в тому, щоб роз’яснити, куди розміщувати ШІ у вашому емпіричному робочому процесі, а куди ніколи. Економетрика є одночасно «критичною для методу» та опосередковано «критичною для прийняття рішень» областю: коефіцієнт моделі, яку ви створюєте, може бути вхідною інформацією для рішення центрального банку щодо процентної ставки, зміни політики регулятора або мільйонних інвестицій фірми. Давайте викладемо основний принцип із самого початку: штучний інтелект – це помічник у аналізі, а не дослідник. Відповідальність за остаточне затвердження вибору моделі, стратегії ідентифікації, встановлення причинно-наслідкового зв’язку, публікації та політичних рішень покладається на компетентного експерта.
Рівні емпіричного робочого процесу та місце ШІ
Корисно розділити емпіричне дослідження на три рівні. Рівень виконання — це повсякденна технічна робота: код очищення даних, малювання графіка, форматування таблиці, налагодження синтаксису. Рівень методу – це аналітичне рішення: яка модель, яка стратегія ідентифікації, який тест, яка перевірка припущень. Рівень інтерпретації та прийняття рішень — це значення результатів: що говорить коефіцієнт, чи він причинно-наслідковий, що це означає для політики, чи варто його публікувати. ШІ торкається всіх трьох рівнів, але з різним авторитетом у кожному. На рівні виконання ШІ швидко створює проекти та генерує код; На рівні інтерпретації та прийняття рішень надається лише вхідна інформація, і експерт приймає рішення.
Давайте з самого початку визначимо кілька основних термінів. Економетрика – це галузь, яка аналізує економічні та соціальні дані за допомогою статистичних методів і вимірює взаємозв’язки. Регресія — це метод, який чисельно моделює зв’язок змінної результату (залежної змінної) з однією або декількома пояснювальними змінними (незалежними змінними). Коефіцієнт — це число, яке показує, з якою кількістю одиниць зміни в середньому пов’язана зміна на одну одиницю в пояснювальній змінній у кінцевій змінній. Значення p — це ймовірність того, що спостережуваний результат (або більш екстремальний результат) станеться випадково, коли насправді ефекту немає. Ми пояснимо ці концепції одну за одною в наступних розділах; Наразі знайте наступне: у всіх цих випадках штучний інтелект дає вам схему, код і пояснення, але він не приймає наукових рішень.
У наступній таблиці підсумовано роль і рівень ризику ШІ за місією:
Квест
Роль ШІ
Рівень ризику
Хто затверджує
Написання коду очищення даних
генератор коду
низький
Сам аналітик (з тестуванням коду)
Чернетка діаграми/таблиці
генератор ескізів
низький
аналітик
Нагадування про синтаксис тесту/моделі
Довідковий помічник
низький-середній
аналітик
Розшифровка розрахункового коефіцієнта
автор чернеток
середній
економетрист
Вибір моделі/стратегії ідентифікації
допоміжний вхід
висока
експерт дослідник
Причинно-наслідковий зв'язок
Лише чернетка, а не останнє слово
дуже високий
Експертна + рецензія
Публікація/політичне рішення
лише введення
дуже високий
Відповідальний дослідник/установа
Майте на увазі один рядок у цій таблиці: зі зростанням ризику роль штучного інтелекту зменшується, а схвалення експертів зростає.
Чому «перевірка» є серцем цього бізнесу
Мовні моделі здаються впевненими у своїй відповіді, але вони можуть бути не впевненими. На технічній мові це називається галюцинацією: це фабрикація неіснуючої інформації моделлю в плавному реченні, ніби це правда. Для економетриста це смертельна пастка. Модель може дати вам точне число, наприклад «Кореляція між безробіттям та інфляцією в Туреччині між 2015-2020 роками становить 0,62»; Однак він ніколи не бачив ваших даних, і це число повністю вигадане. Або може бути написано: «Р-значення білого тесту становило 0,03»; тоді як він не проводив жодних тестів. Він може викликати функцію R з аргументом, який насправді не існує. Він співає всіх трьох з однаковою швидкістю; Єдине, що відрізняє правильне від неправильного, це ваші знання та ваша звичка перевіряти.
Дисципліна перевірки складається з трьох етапів:
- Перерахуйте / запустіть у своєму власному середовищі: обчисліть кожне число, співвідношення, результат тесту та коефіцієнт, наданий штучним інтелектом у R/Python, за допомогою ваших власних даних, а не з пам’яті штучного інтелекту. Використовуйте AI для написання коду, а не для запам'ятовування результату. Запустіть код, ви отримаєте результат.
- Посилання на джерело: покладайтеся на підручники, статті про методи та офіційні документи щодо правил, формул і визначень методів. Підтвердьте заяву штучного інтелекту «припущення цього тесту» надійним джерелом.
- Статистичний фільтр. Перевірте експертними очима, чи вихідні дані суперечать статистичній логіці (припущенням, вибірці, розміру ефекту, невизначеності). Відмовтеся від «значущого, але абсурдного» результату.
Застереження: розміщення згенерованого штучним інтелектом коефіцієнта, тесту чи інтерпретації в статтю, дисертацію чи політичну записку без перевірки — це все одно, що опублікувати непереглянуте відкриття. Просто тому, що вихідні дані вільні, це неправда; Просто тому, що цифра здається певною, вона не є реальною.
Конфіденційність: мікродані та ліцензовані дані захищені приватно
Мікродані (окремі записи на рівні особи, домогосподарства, фірми або пацієнта) часто використовуються в економетриці. Більшість цих даних є персональними даними та захищені KVKK (Закон про захист персональних даних) у Туреччині та GDPR у Європі. Крім того, TurkStat, центральні банки, постачальники панельних даних і комерційні джерела часто надають дані з угодою про використання даних; Ці угоди забороняють передавати дані третім особам. Вставлення таблиці, що містить інформацію про особу, доходи, стан здоров’я чи секрети компанії в загальнодоступний інструмент чату AI є як порушенням KVKK/GDPR, так і порушенням договору; тому що дані надходять на зовнішній сервер і можуть використовуватися для навчання моделі в деяких інструментах.
Правило просте: зберігайте дані у власному безпечному середовищі, запитуйте у ШІ лише код і методи. Ідеальний робочий процес такий: попросіть ШІ код аналізу, ви запустіть код із реальними даними на власному комп’ютері/сервері підприємства. Якщо вам дійсно потрібно ділитися даними, анонімізуйте (видаліть поля ідентифікатора), агрегуйте (середнє значення/підрахунок, а не індивідуальні) і оберіть інституційні інструменти, укладіть угоду про обробку даних і не використовуйте свої дані в освіті.
три міні-чохла
Випадок 1 — безпечне та ефективне використання. Один дослідник спочатку витратив 6 годин на очищення вручну 40 000 рядків даних сімейного бюджету. Взагалі не повідомляючи дані, він просто описав ШІ назви та структуру змінних і попросив код очищення. AI згенерував сценарій R; Дослідник запустив код у своєму власному середовищі, перевірив кількість рядків і підсумкову статистику кожного кроку та виправив дві логічні помилки. Тривалість: 70 хвилин замість 6 годин. Дані ніколи не виходили; Відповідальність залишилася за дослідником.
Випадок 2 — пастка неперевіреного номера. «Яка еластичність між зростанням ВВП і прямими іноземними інвестиціями», — запитав аспірант AI. ШІ впевнено видав число «близько 0,34», хоча у нього не було доступу до жодних даних. Студент написав це в конспекті літератури; Коли його радник запитав про джерело, виявилося, що цифра не має під собою підстав і повністю сфабрикована. Помилка: очікування конкретної статистики від штучного інтелекту без надання йому даних і ресурсів.
Випадок 3 — Конфіденційність і порушення контракту. Аналітик завантажив Excel, який він отримав від ліцензованої панелі компанії, що містить назву компанії та оборот, у загальнодоступний інструмент штучного інтелекту та сказав «зробіть регресію панелі». Договір постачальника даних забороняв передачу даних стороннім системам; Інцидент спричинив перевірку відповідності. Правильний спосіб полягав у тому, щоб замінити назви компаній анонімними кодами або не ділитися даними, а запитувати лише регресійний код панелі та запускати його у власному середовищі.
Слабка підказка / Сильна підказка
Слабка підказка:
Проаналізуйте зв'язок між інфляцією та безробіттям і вкажіть коефіцієнт.
Це твердження неправильне: жодних даних не було надано ШІ, незрозуміло, яка країна, який період, яка модель. ШІ може відповісти лише з підготовленим коефіцієнтом.
Потужна підказка:
Ваша роль: ви асистент аналітика, який допомагає досліднику з економетрики. Я НЕ передаю вам дані; Мені просто потрібен код RUNNABLE R. У мене є річна панель: змінні країна, рік, безробіття, інфляція (усі цифри). Завдання: 1) напишіть регресійний код панелі фіксованих ефектів для безробіття ~ інфляції (пакет plm), 2) поясніть кожен крок у коді з рядком коментаря, 3) зауважте, що коефіцієнт слід інтерпретувати як реляційний, а не ПРИЧИННО-НАСЛІДКОВИЙ, 4) сформуйте аргумент функції, у якому ви не впевнені; Я запусту та перевірю результат у своєму власному середовищі.
У цьому запиті дані не передаються, роль, пакети, очікування коментарів і заборона «фабрикації» зрозумілі. Ви все ще запускаєте та перевіряєте вихід самостійно.
У наведеній нижче таблиці коротко наведено правила складання одного речення в цьому уроці:
принцип
Що це означає
ШІ – помічник
Наукове рішення та відповідальність належить експерту
Запит коду, результат
ШІ не запам'ятовує номер; ви запускаєте його та обчислюєте
зберігати дані
Мікро/ліцензійні дані не залишають безпечне середовище
перевірити
Кожна проблема, код, коментар перевіряються; виготовлення відхилено
Поширені помилки
- Очікування конкретної статистики від ШІ без надання даних. Модель не може отримати доступ до даних; Коефіцієнт, кореляція та p-значення, які він дає, є фальшивими. Завжди запитуйте код і створюйте результат самостійно.
- Покладаючись на галюцинаторні функції. AI може запропонувати функцію або аргумент R/Python, яких не існує. Не приймайте код, не запустивши та не перевіривши його.
- Завантаження мікроданих у публічний інструмент. Це порушення KVKK/GDPR та угоди про використання даних. Зробіть дані анонімними або взагалі не діліться ними.
- Приймаючи плавність за точність. Добре написаний огляд може бути неточним. Краса вироку не є доказом.
- Прийняття причинно-наслідкової мови без контролю. YZ часто говорить: «X збільшує Y»; тоді як більшість регресій показують лише зв’язки. Захистіть причинно-наслідкове твердження задумом.
Порада. Працюючи зі штучним інтелектом, поставте собі таке запитання: «Якщо суддя або аудитор запитує цей результат, чи можу я показати джерело та рахунок?» Якщо відповідь «ні», результат ще не готовий до використання.
Підсумовуючи
AI забезпечує реальне та масове прискорення на рівні виконання (код, очищення, графік, чернетка) робочого процесу економетрики та статистики; однак вибір моделі, причинність, інтерпретація, публікація та політичні рішення належать експерту. Три основні дисципліни: не нагадуйте ШІ про номер, запитуйте код і генеруйте та перевіряйте результат самостійно; не видаляйте мікро/ліцензійні дані з безпечного середовища; статистичний фільтр кожного виходу. Неперевірені результати штучного інтелекту такі ж ризиковані, як і неперевірені висновки.
Аплікаційне завдання
Розгляньте свій власний (або приклад) набір даних. Попросіть штучного інтелекту надати код R або Python, який виробляє описову статистику та простий графік, просто описуючи структуру змінної, без надання даних. Запустіть вхідний код у вашому власному середовищі. Потім зберігайте контрольний список: (1) чи працював код без помилок, (2) кількість рядків/спостережень, як ви очікували, (3) які з речень коментарів AI використовують причинно-наслідкову мову та повинні бути виправлені. В одному абзаці напишіть про час, коли штучний інтелект врятував вас, і принаймні одну помилку, яку ви виявили.
контрольний список
- [ ] Я не змушував ШІ запитувати конкретну статистику; Я попросив код і сам створив результат.
- [ ] Я перерахував кожне число та результат тесту, який він дав у моєму власному середовищі.
- [ ] Я перевірив, що функції/аргументи, які він використовує, насправді існують.
- [ ] Я не завантажував мікро/особисті/ліцензійні дані в публічний інструмент.
- [ ] Я позначив коментарі, що містять причинно-наслідкову мову, і переніс їх на реляційну мову.
- [ ] Я можу показати аудитору джерело та облік результатів.