Lợi nhuận:
- Khả năng đọc chính xác kết quả hồi quy (hệ số, sai số chuẩn, giá trị p, bình phương R) và đánh giá nghiêm túc cách diễn giải trí tuệ nhân tạo
- Khả năng nhận ra những cạm bẫy như sự phân biệt mối tương quan-nhân quả, tính nội sinh, các biến bị bỏ sót và hồi quy giả, đồng thời hạn chế ngôn ngữ nhân quả quá mức của trí tuệ nhân tạo
- Khả năng sử dụng trí tuệ nhân tạo để thiết lập mô hình, soạn thảo mã và kiểm tra chẩn đoán, giao trách nhiệm lựa chọn và giải thích mô hình cho con người
Kinh tế lượng là môn học kiểm tra lý thuyết kinh tế với dữ liệu và hồi quy là công cụ cơ bản của nó. "Tiêu dùng tăng bao nhiêu khi thu nhập tăng?", "Mối quan hệ giữa lãi suất và đầu tư là gì?" Những câu hỏi như thế này được định lượng bằng phương pháp hồi quy. AI vừa rất hữu ích vừa rất nguy hiểm trong lĩnh vực này: nó viết mã mô hình và kiểm tra chẩn đoán trong vài giây, nhưng thường mang tính nhân quả quá mức và quá chính xác khi diễn giải kết quả đầu ra. Nói trôi chảy câu “X tăng Y”; trong khi hầu hết các hồi quy chỉ đo lường một mối quan hệ. Ý chính của phần này là: Sử dụng AI để thiết lập mô hình, kiểm tra mã và chẩn đoán; nhưng giữ trách nhiệm lựa chọn mô hình, phán đoán và giải thích nhân quả đối với con người.
Đọc đầu ra hồi quy
Đầu ra của một hồi quy đơn giản tìm kiếm bốn điều:
- Hệ số. Ước tính mức độ thay đổi của biến phụ thuộc khi biến giải thích tăng một đơn vị. Dấu (cộng/trừ) và độ lớn phải có ý nghĩa kinh tế.
- Lỗi tiêu chuẩn. Độ không đảm bảo của ước lượng hệ số; Nếu nhỏ hơn thì ước tính sẽ chính xác hơn.
- giá trị p. Xác suất để hệ số xuất hiện lớn như vậy với giả định rằng nó "thực sự bằng 0". P nhỏ (< 0,05) được cho là “có ý nghĩa thống kê” - nhưng điều này không hàm ý ý nghĩa kinh tế hay quan hệ nhân quả.
- R bình phương. Mô hình giải thích được mức độ thay đổi của biến phụ thuộc. Bình phương R cao không có nghĩa là "mô hình chính xác"; Nó cũng có thể cao trong các hồi quy giả.
Mẹo: Đừng nhầm lẫn ý nghĩa thống kê với ý nghĩa kinh tế. Ngay cả một tác động rất nhỏ, thực tế không đáng kể cũng có thể trở thành "đáng kể" (p nhỏ) trong một mẫu lớn. Đầu tiên, "Quy mô của hệ số này có quan trọng về mặt kinh tế không?" ', sau đó tìm ý nghĩa.
Mối tương quan không phải là nhân quả: những cạm bẫy kinh điển
Đây là lời cảnh báo trọng tâm của kinh tế lượng. Mối quan hệ được tìm thấy bởi hồi quy thường không phải là quan hệ nhân quả. Những cạm bẫy lớn:
- Biến bị bỏ qua. Yếu tố thứ ba ảnh hưởng đến cả X và Y nhưng không có trong mô hình sẽ tạo ra mối quan hệ giả mạo giữa X và Y. (Ví dụ: nếu bỏ qua "khả năng" trong mối quan hệ giữa giáo dục và thu nhập thì hệ số sẽ bị sai lệch.)
- Nhân quả ngược (nội sinh). Trong khi người ta cho rằng X ảnh hưởng đến Y, có thể Y ảnh hưởng đến X hoặc cả hai đều tương hỗ. (Số lượng cảnh sát và tội phạm: cảnh sát có tăng lên vì tội phạm gia tăng không?)
- Hồi quy giả. Hai chuỗi không cố định (xu hướng) có thể mang lại hệ số R bình phương và có ý nghĩa cao mặc dù không có mối quan hệ thực sự giữa chúng. Đơn giản vì cả hai đều lớn lên theo thời gian.
- Sự thiên vị lựa chọn. Nếu mẫu không ngẫu nhiên thì mối quan hệ được đo lường là sai lệch.
Tuyên bố về quan hệ nhân quả chỉ có thể được thiết lập bằng một thiết kế phù hợp (các phương pháp như thí nghiệm có kiểm soát, thí nghiệm tự nhiên, biến công cụ, sai phân trong khác biệt) và các giả định rõ ràng. Trí tuệ nhân tạo thường bỏ lỡ sự tinh tế này.
Thận trọng: Nếu AI báo “biến này tăng/giảm cái kia” thì hãy phanh ngay. Vấn đề: Có biến nào bị bỏ qua không? Có thể có quan hệ nhân quả ngược không? Bộ truyện có đứng yên không? Không có câu nhân quả nào được đưa vào báo cáo cho đến khi ba câu hỏi này được hỏi.
Xét nghiệm chẩn đoán
Để một hồi quy trở nên đáng tin cậy, các giả định của nó phải được kiểm tra: mô hình phần dư (hệ số lỗi) (tự tương quan), tính không đồng nhất (không đồng nhất), đa cộng tuyến (các biến giải thích rất giống nhau), phân phối chuẩn. Trí tuệ nhân tạo viết mã cho các thử nghiệm này; nhưng công việc của nhà kinh tế là diễn giải kết quả và điều chỉnh mô hình cho phù hợp.
ba trường hợp nhỏ
Trường hợp 1 - Hồi quy giả. Một nhà nghiên cứu đã hồi quy hai chuỗi xu hướng (một chi tiêu danh nghĩa, một số lượng danh nghĩa khác); R bình phương là 0,98, hệ số này rất có ý nghĩa. Ông nói AI “là một mối quan hệ bền chặt”. Nhà nghiên cứu đã kiểm tra tính dừng: cả hai chuỗi đều không dừng. Một khi họ đã chia tay, mối quan hệ gần như biến mất. Bình phương R cao đơn giản là vì cả hai đều tăng trưởng theo thời gian. Hồi quy giả bị bắt.
Trường hợp 2 - Biến bị bỏ qua. Một phân tích cho thấy “chi tiêu cho quảng cáo làm tăng doanh số bán hàng”. Nhà kinh tế hỏi: liệu có hiệu ứng mùa vụ trong mô hình không? Không có. Cả quảng cáo và bán hàng đều tăng trước kỳ nghỉ lễ; Một phần của mối quan hệ là tính thời vụ. Khi các biến giả theo mùa được thêm vào, hệ số quảng cáo trở nên nhỏ hơn. Tuyên bố nhân quả đã được làm dịu đi.
Trường hợp 3 - Đáng kể nhưng không đáng kể. Trong một tập dữ liệu vi mô lớn, hệ số là p<0,001; AI “tác động mạnh mẽ,” ông nói. Nhưng độ lớn của hệ số này trên thực tế là không đáng kể (một sự thay đổi lớn về thu nhập đã làm kết quả tăng lên một phần nghìn). Nhà kinh tế học đã mô tả chính xác nó là “có ý nghĩa thống kê nhưng không có ý nghĩa về mặt kinh tế”. Ý nghĩa không phải là sự thay thế cho tầm quan trọng.
Bảng kiểm duyệt bình luận
trí tuệ nhân tạo nói
Nhà kinh tế hỏi
"X tăng Y"
Biến bị bỏ qua? Nhân quả ngược?
"R bình phương cao, mô hình tốt"
Bộ truyện có đứng yên không? Hồi quy giả?
"p<0,05, đáng kể"
Kích thước có quan trọng về mặt kinh tế không?
"Hệ số 0,3"
Ký hiệu và đơn vị của nó có phù hợp với lý thuyết không?
"Mối quan hệ rất bền chặt"
Việc chọn mẫu có bị thiên vị không?
Bốn mẫu có thể sao chép
1) Sơ đồ lắp đặt mô hình:
Tôi sẽ xem xét câu hỏi kinh tế sau: [câu hỏi]. Biến phụ thuộc: [Y]. Bộ mô tả ứng viên: [X's]. Đề xuất cho tôi thiết lập hồi quy ban đầu phù hợp (mã mô hình thống kê). Giải thích những biến kiểm soát nào là cần thiết và tại sao. KHÔNG khẳng định quan hệ nhân quả; Sử dụng ngôn ngữ quan hệ.
2) Xét nghiệm chẩn đoán:
Viết mã các kiểm tra chẩn đoán cho hồi quy mà tôi đã thiết lập: tự tương quan, phương sai thay đổi, đa cộng tuyến, độ phân tán của phần dư và tính dừng (nếu đó là chuỗi thời gian). Viết ngắn gọn cách giải thích từng kết quả kiểm tra và phải làm gì nếu có vấn đề.
3) Kiểm soát nhân quả:
Giải thích kết quả hồi quy này, nhưng trước tiên hãy kiểm tra ba cạm bẫy sau: (1) có thể có một biến bị bỏ qua và biến nào, (2) có thể có quan hệ nhân quả ngược, (3) chuỗi có dừng không/có nguy cơ hồi quy giả không? Nêu rõ kết quả nên được hiểu là quan hệ nhân quả hay chỉ mang tính quan hệ.
4) Phân biệt ý nghĩa-tầm quan trọng:
Giải thích hệ số sau: giá trị [x], sai số chuẩn [y], giá trị p [z]. Đánh giá ý nghĩa thống kê riêng biệt, ý nghĩa kinh tế riêng biệt: độ lớn của hệ số này có ảnh hưởng đáng kể về mặt thực tế không? Cụ thể hóa mức độ tác động trong một kịch bản ví dụ.
Dấu nhắc yếu / Dấu nhắc mạnh
Dấu nhắc yếu:
Thực hiện hồi quy với các biến này và giải thích kết quả.
Trí tuệ nhân tạo diễn giải nó bằng ngôn ngữ nhân quả mà không cần thực hiện các xét nghiệm chẩn đoán hoặc kiểm tra tính dừng; hồi quy giả hoặc biến bị bỏ qua bị bỏ qua.
Lời nhắc mạnh mẽ:
Biến phụ thuộc là tiêu dùng, thu nhập giải thích; hàng tháng, loạt xu hướng. Kiểm tra tính dừng trước; nhận được sự khác biệt nếu cần thiết. Thiết lập hồi quy, chạy thử nghiệm chẩn đoán (tự tương quan, phương sai thay đổi). Thảo luận rõ ràng về rủi ro của các biến bị bỏ qua và quan hệ nhân quả ngược khi diễn giải kết quả; Sử dụng ngôn ngữ quan hệ thay vì ngôn ngữ nhân quả. Đánh giá ý nghĩa và ý nghĩa kinh tế riêng biệt và đưa ra mã số cho từng bước.
Những lỗi thường gặp
- Nhầm lẫn mối tương quan với quan hệ nhân quả. Sai lầm phổ biến nhất và tốn kém nhất.
- Nhầm R bình phương cao là chất lượng. Nó cũng có tỷ lệ hồi quy giả cao.
- Bỏ qua kiểm tra ứ đọng. Chuỗi xu hướng tạo ra các mối quan hệ giả tạo.
- Nhầm lẫn ý nghĩa với ý nghĩa. P nhỏ không có nghĩa là hiệu quả lớn.
- Bỏ qua các xét nghiệm chẩn đoán. Giả định vi phạm đã đánh bại toàn bộ suy luận.
- Chấp nhận ngôn ngữ nhân quả của AI. Sự phán xét thuộc về con người.
Tóm lại
Hồi quy là một công cụ mạnh mẽ nhưng đầy cạm bẫy. Đọc chính xác hệ số, sai số chuẩn, giá trị p và bình phương R; phân biệt mối tương quan và quan hệ nhân quả; kiểm tra các biến bị bỏ qua, quan hệ nhân quả ngược và cạm bẫy hồi quy giả; Cần phân biệt giữa ý nghĩa và tầm quan trọng về mặt kinh tế. AI đang tăng tốc trong việc tạo mã và chẩn đoán, nhưng nó nói quá nhân quả; Việc lựa chọn mô hình và phán đoán về quan hệ nhân quả thuộc về nhà kinh tế học.
Nhiệm vụ ứng dụng
Thiết lập một phép hồi quy đơn giản với dữ liệu bạn có (ví dụ: tiêu dùng-thu nhập). Có thiết lập được tạo bằng mẫu thứ nhất và các xét nghiệm chẩn đoán được tạo bằng mẫu thứ hai. Sau đó kiểm tra quan hệ nhân quả bằng mẫu 3, đặt tên ít nhất một biến có thể bị bỏ qua và một kịch bản quan hệ nhân quả ngược. Dịch một câu nhân quả từ cách giải thích ban đầu của AI sang ngôn ngữ quan hệ và ghi lại sự thay đổi.
danh sách kiểm tra
- [ ] Tôi đọc chính xác hệ số, sai số chuẩn, giá trị p và bình phương R.
- [ ] Tôi đã kiểm tra tính dừng của chuỗi số liệu và loại bỏ nguy cơ hồi quy giả.
- [ ] Tôi đặt tên cho biến bị bỏ qua và khả năng quan hệ nhân quả ngược.
- [ ] Tôi đã chạy các xét nghiệm chẩn đoán và đánh giá các vi phạm.
- [ ] Tôi đã đánh giá ý nghĩa thống kê và ý nghĩa kinh tế một cách riêng biệt.
- [ ] Tôi đã rút ra ngôn ngữ nhân quả của trí tuệ nhân tạo thành ngôn ngữ quan hệ.
- [ ] Tôi khẳng định rằng việc lựa chọn mô hình và phán đoán về quan hệ nhân quả là của tôi.