机器之心

首页 > 思想 > 经济学家们,请谨慎使用机器学习

思想

经济学家们,请谨慎使用机器学习

2016-11-25 13:31:18      
0 0 0

应该用哪个单词形容经济学家?你可能会在忧虑,回归甚至假设中选择。在今年一月份,当博士生们在美国经济协会(American Economic Association)的年会上推销自己时,「市场」可能才是正确的描述。又或者,根据他们追随潮流撰写的最新文章来看,「羊群」更准确些。今年,研究大数据的机器学习成为了最火的技术;伦敦大学学院(UCL)的经济学教授 Imran Rasul 甚至希望用这一技术大批量阅读论文。

经济学家很容易出现方法上的疯狂。Rasul 教授回顾了在故纸堆中那些曾被使用过的技术,它们用不同方式把人群分成几种,分析政策造成的影响。《经济学人》研究了近年来国家经济研究局(National Bureau of Economic Research)中发表的所有论文,对每篇文章摘要中的关键词进行了分析,下图中显示了应用实验,随机对照实验(RCT)和双差法(即比较不同组随时间变化的趋势)等方法的文章数量变化。

image.png

每当一个新工具出现时,经济学的前沿都会向前推进一步,很多过去无法回答的问题会得以解决。这些工具看起来就像为经济学家们点上了指路明灯。尽管有些科学家认为这些新技术的应用可能带来危险的后果,而不会带来经济学的进步,他们认为新技术会让经济学误入歧途,特别是在这些技术还在初始阶段时。

在 1976 年,James Heckman 开发了一种简单的方法校正特定类型样品选择的问题。例如,在此之前经济学家很难估计教育对妇女工资产生的影响,因为选择工作的妇女(可以比较工资的人)显然更有可能获得高收入。Heckman 的方法为经济学家们消除了这种偏差,他的方式考虑了选择工作与否的问题。这种方式掀起了社会科学新风潮,但它过于简单,导致了滥用。

诺贝尔奖获得者,数据挖掘专家 Angus Deaton 和 Durham 大学经济学家 Nancy Cartwright 的一篇论文认为,随机对照实验——这个学科目前的宠儿——正在受到人们不合理地偏爱。随机对照实验需要将某种策略随机分配给一些人,其他人作为对照,从而让研究者观察这种策略造成的影响。对随机对照实验的分析是两者平均值的简单比较。Deaton 和 Cartwright 认为这种方式有统计上的偏差,他们抱怨众多应用此方式的研究人员在计算两组结果的区别时经常不够小心。因此,他们怀疑使用随机对照实验的大量发展和健康经济学文献都是「不可靠的」。

随着时间的推移,经济学家们应该学会如何使用这些新工具。但这其中还有更深层次的问题:时尚和潮流正在影响着经济学——研究者们被引向特定问题的研究,更深层次的课题反而被忽视了。Deaton 和 Cartwright 担心的是,随机对照实验产生了结果,但偏离了理论。「我们不知道为什么它会发生,为什么人们会这样做,我们冒着让理论失去价值的风险,我们因此放弃了经济学最核心的一些东西。」另一个深层次的担忧是:通过引人注目的简单方法来评价政策好坏,经济学家们正在忽略使用随机对照实验难以验证的政策问题,如制度、货币政策和社会规范的影响。

在经济学的一些领域里,一种方法有时会排挤其他方法。在金融危机爆发以前,宏观经济学家的过分共识一直阻碍着学科的发展。今年 8 月,重量级宏观经济学家 Olivier Blanchard 向同僚们发出呼吁,要求大家对动态随机一般均衡模型的使用不要那么「帝国主义」,并且说,对于预测而言,这种方式理论上可能有些「功小于过」。他发出提醒:「不同的研究需要不同的模型。」

永不停歇的时尚追求

机器学习对于经济学而言仍然是一个新鲜事物,还没有火到被学界出言抵制的程度。但最近的新热潮看起来就像是过去一些事件的重演。理论上,新技术的出现可以保护经济学家免于偏离正确的研究轨道。在以前,经济学家只会尝试用一些简单的输入来做预测。在使用机器学习的时候,数据自己说话,机器通过学习大量输入的数据生成更加准确的预测。

这种强大的方法似乎提高了经济学家预测的准确性,在其他一些方面机器学习也有很多应用。例如,研究人员已经开始使用大数据来预测犯罪嫌疑人是否可能回到法庭接受审判,人工智能已经影响了法庭的保释决定。但是就像随机对照实验一样,强大的算法可能会诱导研究者们忽略课题背后的因果。数据科学家 Cathy O'Neil 在她的新书《Weapons of Math Destruction》中指出,一些因素,如种族或来自高犯罪率的社区,可能是累犯的最佳预测因子。但如果考虑这些因素可能会造成执法的偏见或对某一群体的零容忍「破窗」政策,这会对高犯罪率或少数族裔社区造成不利影响。如果她的理论正确,人们滥用机器学习方法最终会受到惩罚。

Rasul 并不担心新技术应用的「一点点超前」。他认为随着时间的推移,这些方式的优点和局限性会逐渐显现出来,它们也会和旧的方法逐渐整合在一起。但对于追求标新立异的批评声中,有一个是正确的:好的经济学家总会提出正确的问题,在使用所有工具之前,永远要持怀疑态度。

声明:本文由机器之心编译出品,原文来自The Economist,转载请查看要求,机器之心对于违规侵权者保有法律追诉权。

  1. 网站转载请在文章开头粗体注明:本文转载自机器之心,标明作者,并附上本文链接。
  2. 微信公众号转载请在开头粗体注明:本文转载自机器之心,标明作者,并设置阅读原文链接为本文链接,微博转载请附上本文链接并@机器之心synced。
  3. 网站和微信转载具体文章后需来信至邮箱operation@jiqizhixin.com说明,备注转载文章标题、转载的微信号名称和转载日期。
  4. 机器之心只接受如上几种转载方式,其余均视为侵权,如需商业合作请致信bd@jiqizhixin.com。

相关文章

微软首席人工智能科学家邓力离职,加盟对冲基金巨头Citadel

微软首席人工智能科学家邓力离职,加盟对冲基金巨头Citadel

2017年最流行的15个数据科学Python库

2017年最流行的15个数据科学Python库

中科院「脑科学与人工智能」论坛,四场报告概要+两大研究方向解读+两项专题讨论实录

中科院「脑科学与人工智能」论坛,四场报告概要+两大研究方向解读+两项专题讨论实录

评论

共有0条评论,点击展开

同步到新浪微博