Lợi nhuận:
- Có thể phân biệt vị trí nào trong quy trình làm việc thực nghiệm (làm sạch dữ liệu, mã, trực quan hóa, giải thích bản nháp), trí tuệ nhân tạo tiết kiệm thời gian thực và vị trí nào mà các quyết định như lựa chọn mô hình, xác nhận quan hệ nhân quả và quyết định xuất bản được giao cho chuyên gia, theo mức độ rủi ro nhiệm vụ
- Khả năng áp dụng bộ môn kiểm chứng từng đầu ra trí tuệ nhân tạo (số, hệ số, mã, nhận xét) thông qua các bước tính toán lại, liên kết tới nguồn và lọc thống kê.
- Khả năng xử lý an toàn dữ liệu vi mô và các tập dữ liệu bí mật/được cấp phép trong phạm vi KVKK/GDPR và các thỏa thuận sử dụng dữ liệu, đồng thời hình thành thói quen chọn các công cụ thích hợp.
Những câu hỏi tương tự lặp lại hàng ngày trên bàn làm việc của một nhà kinh tế lượng hoặc thống kê ứng dụng: Bộ dữ liệu này có đáng tin cậy không; Phải làm gì với những giá trị còn thiếu này? Hệ số hồi quy này thực sự nói lên điều gì? Mối quan hệ này là nhân quả hay chỉ đơn thuần là tương quan? Vì giá trị p này rất quan trọng nên tôi có thể viết nó trong bài viết hoặc bản tóm tắt chính sách không? Một số câu hỏi lặp đi lặp lại, tốn nhiều mã và tốn thời gian: làm sạch dữ liệu, vẽ cùng một biểu đồ mười lần, gỡ lỗi mã R hoặc Python, xâu chuỗi các kết quả vào một bảng. Những người khác trực tiếp xác định giá trị của một phát hiện, tính trung thực của một ấn phẩm hoặc tính chính xác của một quyết định chính sách.
Trí tuệ nhân tạo (viết tắt là AI, AI - hệ thống máy tính có thể tạo ra văn bản và mã giống như con người, nhận dạng mẫu, tóm tắt dữ liệu và viết bình luận; hình thức được sử dụng nhiều nhất hiện nay là các mô hình ngôn ngữ lớn, tức là các hệ thống được đào tạo trên văn bản khổng lồ và xây dựng câu bằng cách dự đoán từ tiếp theo) nằm ngay giữa bảng này. Khi sử dụng đúng cách, nó sẽ giảm số giờ mã làm sạch dữ liệu xuống còn vài phút, nhắc nhở bạn về cú pháp của một bài kiểm tra thống kê phức tạp hoặc soạn thảo cách diễn giải một hệ số. Khi sử dụng không chính xác, nó thể hiện một con số có vẻ chắc chắn nhưng hoàn toàn bịa đặt, một ý nghĩa sai lệch hoặc một mối quan hệ phi nhân quả dưới dạng "phát hiện".
Bài học đầu tiên này không phải là phần giới thiệu phần mềm. Mục đích của nó là làm rõ nơi nên đặt AI trong quy trình làm việc thực nghiệm của bạn và nơi không bao giờ đặt nó. Kinh tế lượng vừa là một lĩnh vực "quan trọng về phương pháp" vừa gián tiếp "quan trọng về quyết định": hệ số của mô hình bạn xây dựng có thể là đầu vào cho quyết định lãi suất của ngân hàng trung ương, thay đổi chính sách của cơ quan quản lý hoặc khoản đầu tư hàng triệu đô la của một công ty. Hãy trình bày nguyên tắc cơ bản ngay từ đầu: Trí tuệ nhân tạo là trợ lý phân tích chứ không phải nhà nghiên cứu. Trách nhiệm và phê duyệt cuối cùng về việc lựa chọn mô hình, chiến lược nhận dạng, khẳng định quan hệ nhân quả, công bố và các quyết định về chính sách thuộc về chuyên gia có thẩm quyền.
Các lớp của quy trình làm việc thực nghiệm và vị trí của AI
Sẽ rất hữu ích khi chia một nghiên cứu thực nghiệm thành ba lớp. Lớp thực thi là công việc kỹ thuật hàng ngày: mã làm sạch dữ liệu, vẽ biểu đồ, định dạng bảng, gỡ lỗi cú pháp. Lớp phương pháp là quyết định phân tích: mô hình nào, chiến lược nhận dạng nào, thử nghiệm nào, kiểm tra giả định nào. Lớp diễn giải và quyết định là ý nghĩa của các phát hiện: hệ số nói lên điều gì, nó có phải là nguyên nhân không, nó có ý nghĩa gì đối với chính sách, liệu nó có nên được công bố hay không. AI chạm vào cả ba lớp, nhưng có thẩm quyền khác nhau ở mỗi lớp. Ở lớp thực thi, AI nhanh chóng soạn thảo và tạo mã; Ở lớp giải thích và quyết định, chỉ có đầu vào được đưa ra và chuyên gia đưa ra quyết định.
Hãy xác định một vài thuật ngữ cơ bản ngay từ đầu. Kinh tế lượng là ngành phân tích dữ liệu kinh tế và xã hội bằng các phương pháp thống kê và đo lường các mối quan hệ. Hồi quy là một phương pháp mô hình hóa bằng số mối quan hệ của một biến kết quả (biến phụ thuộc) với một hoặc nhiều biến giải thích (biến độc lập). Hệ số là con số cho biết trung bình có bao nhiêu đơn vị thay đổi mà một thay đổi một đơn vị của biến giải thích có liên quan đến biến kết quả. Giá trị p là xác suất mà kết quả được quan sát (hoặc kết quả cực đoan hơn) sẽ xảy ra một cách tình cờ khi không có tác động nào thực sự tồn tại. Chúng tôi sẽ giải thích từng khái niệm này trong các phần sau; Hiện tại, hãy biết điều này: Trong tất cả những điều này, AI cung cấp cho bạn bản thiết kế, mã và giải thích nhưng nó không đưa ra quyết định khoa học.
Bảng sau đây tóm tắt vai trò và mức độ rủi ro của AI theo nhiệm vụ:
Nhiệm vụ
Vai trò của AI
Mức độ rủi ro
Ai phê duyệt
Viết mã vệ sinh dữ liệu
trình tạo mã
thấp
Bản thân nhà phân tích (có kiểm tra mã)
Bản thảo biểu đồ/bảng
máy phát điện phác thảo
thấp
nhà phân tích
Lời nhắc cú pháp kiểm tra/mô hình
Trợ lý tham khảo
thấp-trung bình
nhà phân tích
Giải thích hệ số dự thảo
người soạn thảo
trung bình
nhà kinh tế lượng
Lựa chọn mô hình/chiến lược nhận dạng
đầu vào phụ trợ
cao
chuyên gia nghiên cứu
Yêu cầu nhân quả
Chỉ là bản nháp, không bao giờ là lời cuối cùng
rất cao
Chuyên gia + đánh giá ngang hàng
Quyết định xuất bản/chính sách
chỉ đầu vào
rất cao
Cơ quan/điều tra viên có trách nhiệm
Hãy ghi nhớ một dòng trong bảng này: khi rủi ro tăng lên, vai trò của AI sẽ giảm đi và sự chấp thuận của chuyên gia sẽ tăng lên.
Tại sao "xác minh" là trọng tâm của doanh nghiệp này
Các mô hình ngôn ngữ có vẻ tự tin với câu trả lời của mình nhưng có thể họ không chắc chắn. Trong ngôn ngữ kỹ thuật, điều này được gọi là ảo giác: đó là sự bịa đặt của mô hình về thông tin không tồn tại trong một câu trôi chảy, giống như thể nó là sự thật. Đối với một nhà kinh tế lượng, đây là một cái bẫy chết người. Mô hình có thể cho bạn một con số chính xác như “Mối tương quan giữa thất nghiệp và lạm phát ở Türkiye giai đoạn 2015-2020 là 0,62”; Tuy nhiên, anh ta chưa bao giờ xem dữ liệu của bạn và con số này hoàn toàn là bịa đặt. Hoặc có thể nói, “Giá trị p của thử nghiệm trắng là 0,03”; trong khi nó không chạy bất kỳ thử nghiệm nào. Nó có thể gọi hàm R với đối số không thực sự tồn tại. Anh ấy hát cả ba đều trôi chảy như nhau; Điều duy nhất phân biệt đúng và sai là kiến thức và thói quen xác minh của bạn.
Kỷ luật xác minh bao gồm ba bước:
- Tính toán lại/chạy trong môi trường của riêng bạn: Tính toán mọi con số, tỷ lệ, kết quả kiểm tra và hệ số do AI đưa ra trong R/Python bằng dữ liệu của chính bạn chứ không phải từ bộ nhớ của AI. Dùng AI để viết code chứ không phải ghi nhớ kết quả. Chạy mã, bạn tạo ra kết quả.
- Liên kết tới nguồn: Dựa vào sách giáo khoa, các bài viết về phương pháp và các tài liệu chính thức để biết các quy tắc, công thức và định nghĩa về phương pháp. Xác nhận tuyên bố của AI "giả định của bài kiểm tra này là" bằng một nguồn đáng tin cậy.
- Bộ lọc thống kê: Kiểm tra bằng con mắt chuyên gia xem đầu ra có mâu thuẫn với logic thống kê hay không (giả định, mẫu, kích thước hiệu ứng, độ không chắc chắn). Từ chối một kết quả "có ý nghĩa nhưng vô lý".
Thận trọng: Việc đưa hệ số, bài kiểm tra hoặc diễn giải do AI tạo ra vào một bài báo, luận văn hoặc ghi chú chính sách mà không xác thực nó cũng giống như công bố một phát hiện chưa được xem xét. Chỉ vì đầu ra trôi chảy là không đúng sự thật; Chỉ vì con số có vẻ chắc chắn nên nó không có thật.
Quyền riêng tư: dữ liệu vi mô và dữ liệu được cấp phép được bảo vệ riêng tư
Dữ liệu vi mô (hồ sơ đơn lẻ ở cấp độ cá nhân, hộ gia đình, công ty hoặc bệnh nhân) thường được sử dụng trong kinh tế lượng. Hầu hết dữ liệu này là dữ liệu cá nhân và được bảo vệ theo KVKK (Luật bảo vệ dữ liệu cá nhân) ở Türkiye và GDPR ở Châu Âu. Ngoài ra, TurkStat, các ngân hàng trung ương, nhà cung cấp dữ liệu bảng và các nguồn thương mại thường cung cấp dữ liệu kèm theo thỏa thuận sử dụng dữ liệu; Các thỏa thuận này cấm chuyển dữ liệu cho bên thứ ba. Việc dán bảng chứa thông tin nhận dạng, thu nhập, sức khỏe hoặc bí mật công ty vào công cụ trò chuyện AI công khai vừa vi phạm KVKK/GDPR vừa vi phạm hợp đồng; vì dữ liệu được chuyển đến máy chủ bên ngoài và có thể được sử dụng trong đào tạo mô hình trong một số công cụ.
Quy tắc rất đơn giản: giữ dữ liệu trong môi trường an toàn của riêng nó, chỉ yêu cầu AI cung cấp mã và phương thức. Quy trình làm việc lý tưởng là thế này: yêu cầu AI cung cấp mã phân tích, bạn chạy mã với dữ liệu thực trên máy tính/máy chủ doanh nghiệp của riêng bạn. Nếu bạn thực sự phải chia sẻ dữ liệu, hãy ẩn danh (xóa trường ID), tổng hợp (trung bình/số lượng thay vì cá nhân) và chọn các công cụ mang tính tổ chức, có thỏa thuận xử lý dữ liệu và không sử dụng dữ liệu của bạn trong giáo dục.
ba trường hợp nhỏ
Trường hợp 1 - Sử dụng an toàn và hiệu quả. Lần đầu tiên, một nhà nghiên cứu đã dành 6 giờ để làm sạch thủ công 40.000 hàng dữ liệu ngân sách hộ gia đình. Hoàn toàn không chia sẻ dữ liệu, anh ta chỉ mô tả tên biến và cấu trúc cho AI và yêu cầu mã dọn dẹp. AI đã tạo ra tập lệnh R; Nhà nghiên cứu đã chạy mã trong môi trường của riêng mình, kiểm tra số dòng và số liệu thống kê tóm tắt của từng bước và sửa hai lỗi logic. Thời lượng: 70 phút thay vì 6 giờ. Dữ liệu không bao giờ bị mất đi; Trách nhiệm vẫn thuộc về nhà nghiên cứu.
Trường hợp 2 - Bẫy số chưa được xác minh. Một sinh viên tốt nghiệp hỏi AI: “Độ co giãn giữa tăng trưởng GDP và đầu tư trực tiếp nước ngoài là bao nhiêu”. AI tự tin đưa ra con số "khoảng 0,34" dù không có quyền truy cập vào bất kỳ dữ liệu nào. Học sinh đã viết điều này trong phần tóm tắt tài liệu; Khi cố vấn của ông hỏi về nguồn tin thì hóa ra con số này không có cơ sở và hoàn toàn bịa đặt. Sai lầm: Mong đợi số liệu thống kê cụ thể từ AI mà không cung cấp dữ liệu và tài nguyên cho nó.
Trường hợp 3 - Bảo mật và vi phạm hợp đồng. Một nhà phân tích đã tải Excel mà anh ta nhận được từ một bảng điều khiển của công ty được cấp phép, chứa tên công ty và doanh thu, lên một công cụ AI có sẵn công khai và nói "thực hiện hồi quy bảng". Hợp đồng của nhà cung cấp dữ liệu cấm chuyển dữ liệu sang hệ thống của bên thứ ba; Vụ việc đã thúc đẩy một cuộc đánh giá tuân thủ. Cách đúng đắn là thay thế tên công ty bằng mã ẩn danh hoặc không chia sẻ dữ liệu và chỉ yêu cầu mã hồi quy bảng và chạy mã đó trong môi trường riêng của nó.
Dấu nhắc yếu / Dấu nhắc mạnh
Dấu nhắc yếu:
Phân tích mối quan hệ giữa lạm phát và thất nghiệp và cho biết hệ số.
Khẳng định này sai: Không có dữ liệu nào được cung cấp cho AI, không rõ là quốc gia nào, thời kỳ nào, mô hình nào. AI chỉ có thể trả lời bằng hệ số tự tạo.
Lời nhắc mạnh mẽ:
Vai trò của bạn: bạn là trợ lý phân tích hỗ trợ nhà nghiên cứu kinh tế lượng. Tôi KHÔNG chia sẻ dữ liệu với bạn; Tôi chỉ muốn mã R RUNNABLE. Tôi có bảng điều khiển hàng năm: các biến quốc gia, năm, tỷ lệ thất nghiệp, lạm phát (tất cả đều là số). Nhiệm vụ: 1) viết mã hồi quy bảng hiệu ứng cố định cho tỷ lệ thất nghiệp ~ lạm phát (gói plm), 2) giải thích từng bước trong mã bằng một dòng nhận xét, 3) lưu ý rằng hệ số phải được hiểu là quan hệ, không phải NGUYÊN NHÂN, 4) tạo nên đối số hàm mà bạn không chắc chắn; Tôi sẽ chạy và xác minh kết quả trong môi trường của riêng tôi.
Trong yêu cầu này, không có dữ liệu nào được chia sẻ, vai trò, gói, mong đợi nhận xét và việc cấm "bịa đặt" đều rõ ràng. Bạn vẫn tự mình chạy và xác minh kết quả đầu ra.
Bảng dưới đây tóm tắt các quy tắc một câu trong bài học này:
nguyên tắc
Nó có nghĩa là gì
AI là trợ lý
Quyết định khoa học và trách nhiệm thuộc về chuyên gia
Yêu cầu mã, đưa ra kết quả
AI không nhớ số; bạn chạy nó và tính toán
giữ dữ liệu
Dữ liệu vi mô/được cấp phép không rời khỏi môi trường an toàn
xác minh
Mọi vấn đề, mã, bình luận đều được kiểm tra; bịa đặt bị từ chối
Những lỗi thường gặp
- Mong đợi số liệu thống kê cụ thể từ AI mà không đưa ra dữ liệu. Mô hình không thể truy cập dữ liệu; Hệ số, mối tương quan và giá trị p mà nó đưa ra là giả mạo. Luôn yêu cầu mã và tự đưa ra kết quả.
- Dựa vào chức năng ảo giác. AI có thể đề xuất một hàm hoặc đối số R/Python không tồn tại. Không chấp nhận mã mà không chạy và xác minh nó.
- Tải microdata lên công cụ công cộng. Đó là vi phạm KVKK/GDPR và thỏa thuận sử dụng dữ liệu. Ẩn danh dữ liệu hoặc hoàn toàn không chia sẻ dữ liệu đó.
- Nhầm lẫn sự trôi chảy với sự chính xác. Một bài đánh giá được viết tốt có thể không chính xác. Vẻ đẹp của câu không phải là bằng chứng.
- Chấp nhận ngôn ngữ nhân quả mà không có sự kiểm soát. YZ thường nói “X tăng Y”; trong khi hầu hết các hồi quy chỉ hiển thị các mối quan hệ. Bảo vệ tuyên bố nhân quả bằng thiết kế.
Mẹo: Khi làm việc với AI, hãy tự hỏi mình câu hỏi này: “Nếu trọng tài hoặc kiểm toán viên yêu cầu kết quả này, tôi có thể hiển thị nguồn và tài khoản không?” Nếu câu trả lời là không thì đầu ra vẫn chưa sẵn sàng để sử dụng.
Tóm lại
AI cung cấp khả năng tăng tốc thực sự và lớn trong lớp thực thi (mã, dọn dẹp, biểu đồ, bản nháp) của quy trình thống kê và kinh tế lượng; tuy nhiên, việc lựa chọn mô hình, quan hệ nhân quả, diễn giải, công bố và quyết định chính sách thuộc về chuyên gia. Ba nguyên tắc cơ bản: không nhắc AI về con số, hãy yêu cầu mã và tự tạo và xác minh kết quả; không xóa dữ liệu vi mô/được cấp phép khỏi môi trường an toàn; lọc thống kê từng đầu ra. Một kết quả đầu ra AI chưa được xác minh cũng có rủi ro như một phát hiện chưa được xem xét.
Nhiệm vụ ứng dụng
Hãy xem xét tập dữ liệu của riêng bạn (hoặc một ví dụ). Yêu cầu AI cung cấp mã R hoặc Python để tạo số liệu thống kê mô tả và biểu đồ đơn giản bằng cách mô tả đơn giản cấu trúc biến mà không chia sẻ dữ liệu. Chạy mã đến trong môi trường của riêng bạn. Sau đó, giữ một danh sách kiểm tra: (1) mã có chạy không có lỗi không, (2) là số dòng/quan sát như bạn mong đợi, (3) câu nhận xét nào của AI sử dụng ngôn ngữ nhân quả và cần được sửa. Trong một đoạn văn, hãy viết về thời điểm AI đã cứu bạn và ít nhất một lỗi bạn đã gặp phải.
danh sách kiểm tra
- [ ] Tôi không yêu cầu AI yêu cầu số liệu thống kê cụ thể; Tôi đã yêu cầu mã và tự mình tạo ra kết quả.
- [ ] Tôi đã tính toán lại mọi con số và kết quả kiểm tra mà nó đưa ra trong môi trường của riêng tôi.
- [ ] Tôi đã xác minh rằng các hàm/đối số mà nó sử dụng thực sự tồn tại.
- [ ] Tôi không tải dữ liệu vi mô/cá nhân/được cấp phép lên một công cụ công cộng.
- [ ] Tôi đã đánh dấu các nhận xét có chứa ngôn ngữ nhân quả và chuyển chúng sang ngôn ngữ quan hệ.
- [ ] Tôi có thể chỉ ra nguồn gốc và cách hạch toán kết quả đầu ra cho kiểm toán viên.