6、机器学习在经济学中的应用与挑战

机器学习在经济学中的应用与挑战

1. 经济学中的模型估计与因果关系

在经济学中进行回归模型估计时，我们通常会最小化某种损失函数，比如平方误差之和。同时，我们也会关注性能指标，像样本外预测误差的度量。然而，我们无法测量“因果关系”并训练模型使其最大化因果关系。这无论是对于计量经济学工具还是机器学习工具而言，都是一个严峻的挑战。特别是对于机器学习工具，指出这一点尤为重要，因为这表明它们在因果关系层面可能无法帮助我们取得提升。

2. 机器学习方法的置信区间问题

在经济学中使用机器学习方法存在一个缺点，即这类模型通常无法产生有效的置信区间。实际上，在机器学习中，置信区间通常并非关注对象，因为模型往往包含数千个参数。这对于经济学研究而言是一项挑战，因为经济学研究通常围绕单个参数的统计显著性进行假设检验。不过，在某些情况下，可以通过使用经济学和统计学中先进的、新近开发的方法来克服这一限制，但这些方法通常无法通过现成的机器学习程序获得。

3. 现成的机器学习程序

现成的机器学习程序可分为无监督学习和有监督学习方法：
- 无监督学习方法 ：如聚类算法和主题建模，在经济学中能发挥重要作用。它们不会产生虚假关系，且可用于生成因变量。
- 有监督学习方法 ：可根据在社会科学中的广泛应用情况进行分类。例如，神经网络过去在社会科学的各种应用中有所使用，但直到最近才得到广泛应用和认可，可归类为“机器学习模型”；而OLS或logit模型长期以来一直用于经济学和金融领域，不属于此类。
以下是可归类为“机器学习模型”的具体模型：
|模型类型|具体模型|