技術將如何幫助經濟學家做出更好的預測?
人工智慧、商業智能和大數據等技術能否幫助經濟學家做出更好的預測和測試模型,以解決諸如“對特定國家而言,何種程度的財政刺激更好?”等問題?
它是未來的東西還是已經被使用了?
我是一名受過培訓的經濟學家,也是一名程序員,與很多數據科學家一起工作,所以我對這個領域有一些了解。我在城市研究所的一個項目是試圖彌合這些領域之間的差距,我們的部分工作得到了斯隆基金會的支持,在這裡可以公開獲得。
在某種程度上,答案是肯定的,但也存在巨大的障礙。有些是可以通過工作克服的,例如術語、程式平台(SAS 或 Stata 與 R 或 Python 的知識)和約定(您所在領域的其他人是否理解和/或接受機器學習模型的結果?)。其他更難克服,例如可用數據的大小。
從本質上講,廣泛使用人工智慧和機器學習的領域擁有大量數據。例如,他們有能力留出一百萬個觀察值來訓練模型,然後在另外 900 萬個觀察值上測試模型。然而,經濟學家和社會科學家一般來說,如果他們有 100 個觀測值,他們通常是幸運的。許多宏觀經濟變數是年度或季度的。有些是每月的,這意味著如果您可以獲得 30 年的觀察結果,那麼您就有 360 個時間段!根據社會科學標準,數據豐富,但在許多數據科學模型中甚至沒有捨入誤差。
也就是說,計算能力和復雜的數據收集使得用大數據解決社會科學問題變得越來越可行。社交媒體是社會科學家剛剛開始涉足的一個主要領域。但是,由於數據的性質,某些經濟學領域可能仍將與數據科學方法保持封閉。您的財政刺激範例很可能就是其中之一——相關數據的生成速度並沒有那麼快。
所以你的問題的答案是肯定的,但對未來持保留態度和希望。
關於在經濟學中使用技術似乎存在很多誤解。記住兩點很重要。
1. 現代經濟理論主要是應用數學的一個分支
當然,經濟學作為一門社會科學背後有很多基本的哲學概念,但是大多數實際問題都需要一些微積分或線性代數。
2. 經濟學家一直在使用統計數據來檢驗理論。
有些人不知道數據驅動的經濟學是如何的。
在宏觀經濟學測試中使用向量自回歸模型 (VAR)、向量誤差校正模型 (VECM) 和脈衝響應函式是常見的做法。中央銀行使用這些方法,並且一直在不斷地測試經濟理論。
回答這個問題:“對特定國家來說,哪種程度的財政刺激更好?” 已經考慮這些方法有一段時間了,並不是大數據革命的結果。
希望這可以幫助