收益：
- 能够准确读取回归输出（系数、标准误差、p 值、R 方）并批判性评估人工智能的解释
- 能够识别关联-因果区分、内生性、遗漏变量、虚假回归等陷阱，遏制人工智能过多的因果语言
- 能够使用人工智能进行模型设置、代码和诊断测试起草，将模型选择和解释的责任留给人类
计量经济学是用数据检验经济理论的学科，回归是其基本工具。 “随着收入的增加，消费会增加多少？”、“利息和投资有什么关系？”诸如此类的问题可以通过回归来量化。人工智能在这一领域既非常有用，又非常危险：它可以在几秒钟内编写模型代码和诊断测试，但在解释输出时往往过于因果和过于精确。能流利地说出“X增加Y”这句话；而大多数回归仅衡量一种关系。本单元的要点是：使用人工智能进行模型设置、代码和诊断测试；但将模型选择、因果关系判断和解释的责任留给人。
读取回归输出
简单回归的输出会寻找四件事：
- 系数。当解释变量增加一个单位时因变量变化量的估计。符号（正/负）和大小必须具有经济意义。
- 标准误差。系数估计的不确定性；如果它更小，则估计更准确。
- p 值。在假设“实际上为零”的情况下，系数出现如此大的概率。小 p (< 0.05) 被认为具有“统计显着性”，但这并不意味着经济显着性或因果关系。
- R 平方。模型解释了因变量的多少变化。高 R 方并不意味着“正确的模型”；虚假回归也可能很高。
提示：不要将统计显着性与经济显着性混淆。即使是非常小的、几乎不显着的影响，在大样本中也可能变得“显着”（小 p）。首先，“这个系数的大小在经济上重要吗？” '，然后寻找重要性。
相关性不是因果关系：经典陷阱
这是计量经济学的核心警告。回归发现的关系往往不是因果关系。主要陷阱：
- 省略变量。同时影响 X 和 Y 但不在模型中的第三个因素会在 X 和 Y 之间创建虚假关系。（例如：如果在教育与收入之间的关系中省略“能力”，则该系数将产生误导。）
- 反向因果关系（内生性）。虽然人们认为 X 影响 Y，但也许 Y 影响 X 或者两者是相互的。 （警察人数和犯罪率：警察人数增加是因为犯罪率增加吗？）
- 伪回归。两个非平稳（趋势）序列可以产生高 R 平方和显着系数，即使它们之间没有真正的关系。只是因为他们都随着时间的推移而成长。
- 选择偏差。如果样本不是随机的，则测量到的关系是有偏差的。
因果关系的主张只能通过适当的设计（诸如对照实验、自然实验、工具变量、双重差分等方法）和明确的假设来建立。人工智能常常会忽略这种微妙之处。
注意：如果人工智能说“这个变量增加/减少那个”，请立即刹车。问题：是否有遗漏变量？反向因果关系可能吗？该系列是静止的吗？在提出这三个问题之前，报告中不会出现任何因果语句。
诊断测试
为了使回归可靠，需要测试其假设：残差模式（误差项）（自相关）、异方差（heteroskedasticity）、多重共线性（解释变量彼此非常相似）、正态分布。人工智能为这些测试编写代码；但经济学家的工作是解释结果并相应地调整模型。
三个迷你箱子
案例 1 — 虚假回归。研究人员对两个趋势系列进行了回归（一个是名义支出，一个是名义支出，另一个是数量）； R平方为0.98，系数非常显着。他说，人工智能“是一种牢固的关系”。研究人员测试了平稳性：两个系列都是非平稳的。一旦他们分开，这种关系基本上就消失了。高 R 方只是因为它们都随着时间的推移而增长。虚假回归被捕获。
情况 2 — 省略变量。一项分析发现，“广告支出会增加销量”。经济学家问：模型有季节性效应吗？没有。节前广告和销售额均有所增长；这种关系的一部分是季节性。加入季节虚拟变量后，广告系数变小。因果关系的主张已被软化。
案例 3——重要但不重要。在大型微观数据集中，系数为 p<0.001；他说，人工智能“产生了强烈的影响”。但系数的大小实际上可以忽略不计（收入的巨大变化使结果增加了千分之一）。这位经济学家正确地将其描述为“统计上显着，但经济上微不足道”。意义并不能替代重要性。
评论审核表
人工智能说
经济学家问
“X 增加 Y”
省略变量？因果关系颠倒？
“R 方高，模型好”
该系列是静止的吗？假回归？
“p<0.05，显着”
规模在经济上重要吗？
“系数0.3”
它的符号和单位与理论相符吗？
“关系很牢固”
样本选择是否有偏差？
四个可复制模板
1）型号安装示意图：
我将研究以下经济问题：[问题]。因变量：[Y]。候选描述符：[X's]。建议我一个合适的初始回归设置（statsmodels 代码）。解释需要哪些控制变量以及原因。不要主张因果关系；使用关系语言。
2) 诊断测试：
用代码编写我设置的回归的诊断测试：自相关、异方差、多重共线性、残差离散性和平稳性（如果是时间序列）。简要写下如何解释每个测试结果以及出现问题时该怎么办。
3）因果关系控制：
解释此回归结果，但首先检查这三个陷阱：（1）是否存在遗漏变量以及哪一个，（2）可能存在反向因果关系，（3）序列是否平稳/是否存在虚假回归的风险？明确说明结果是否应解释为因果关系或仅仅是相关的。
4）重要性-重要性区分：
解释以下系数：值 [x]、标准误差 [y]、p 值 [z]。分别评估统计显着性和经济显着性：该系数的大小是否具有实际显着影响？在示例场景中具体说明影响的大小。
弱提示/强提示
弱提示：
对这些变量进行回归并解释结果。
人工智能用因果语言解释它，而不执行诊断测试或检查平稳性；遗漏了虚假回归或遗漏变量。
强力提示：
因变量是消费，即解释性收入；每月趋势系列。首先测试平稳性；如有必要，获取差异。设置回归，运行诊断测试（自相关、异方差）。在解释结果时明确讨论遗漏变量和反向因果关系的风险；使用关系语言而不是因果语言。分别评估意义和经济意义，并给出每一步的代码。
常见错误
- 将相关性误认为因果关系。最常见也是最昂贵的错误。
- 错误地将高 R 平方视为质量。虚假回归也很高。
- 绕过停滞检查。热门系列会产生虚假关系。
- 将意义与重要性混淆。小p并不意味着大效应。
- 跳过诊断测试。所违反的假设推翻了整个推论。
- 按原样接受人工智能的因果语言。判断力属于人。
综上所述
回归是一个强大但容易陷入陷阱的工具。正确读取系数、标准误差、p 值和 R 平方；区分相关性和因果关系；检查遗漏变量、反向因果关系和虚假回归陷阱；有必要区分重要性和经济重要性。人工智能在代码和诊断生成方面正在加速，但它讲得太因果了；模型的选择和因果关系的判断取决于经济学家。
应用任务
使用您拥有的数据（例如消费收入）建立一个简单的回归。使用第一个模板生成设置，并使用第二个模板生成诊断测试。然后使用模板 3 检查因果关系，命名至少一个可能的省略变量和一种反向因果关系场景。将人工智能最初解释的因果句翻译成关系语言并记下变化。
清单
- [ ] 我正确读取了系数、标准误差、p 值和 R 平方。
- [ ] 我检查了序列的平稳性并消除了虚假回归的风险。
- [ ] 我命名了省略的变量和反向因果关系的可能性。
- [ ] 我进行了诊断测试并评估了违规行为。
- [ ] 我分别评估了统计显着性和经济显着性。
- [ ]我把人工智能的因果语言画成了关系语言。
- [ ] 我坚持认为模型的选择和因果关系的判断是我的。