统计计量 | 计量经济学、机器学习和深度学习
本文转载自公众号E校挺好
本篇短文是班门弄斧之做，其目的是抛砖引玉，引发大佬们对个话题的关注。
机器学习和深度学习是伴随人工智能发展而兴起的建模方法。一般的编程需要考虑应用场景所有可能出现的情况，并且对每种情况设定相关指令，大体上就是“if …elif….elif….else”之类的结构。但是，无论我们考虑得多么周全，都不能穷尽所有的可能情况。一般的编程遇到“未考虑情况”时，就卡壳了，但人工智能不会。人工智能的工作原理是，基于已有数据信息创建一个新模型，遇到“未考虑情况”时，使用新创建模型去处理。所以，自己创建模型是人工智能的核心步骤，通常使用的方法就是机器学习和深度学习。深度学习是机器学习的一个子集，使用的建模方法更难，一般要使用神经网络。
计量经济学也是一种建模方法，它跟机器学习、深度学习有什么联系和区别呢？
它们的联系很简单，都是基于已有数据信息创建模型，都是去寻找因变量Y和自变量（）之间的函数关系。
它们的区别则要复杂得多。主要表现在以下几个方面：
（1）计量经济学使用的函数形式通知是已知的，例如线性函数。机器学习的函数形式是未知的，有点像非参数计量经济学。深度学习中，对Y产生影响都不是原来的自变量了。使用数学语言的话，它们的区别大体可以表示为：
计量经济学：
机器学习：
深度学习：
（2）计量经济学强调的是“验证理论”，强调因果关系识别，通常是某理论先给出了某自变量Xk影响Y的一个方向判断，计量经济学再去验证该方向判断是否正确。计量经济经济学反而不怎么关注是不是影响Y的最重要因素”。机器学习和深度学习强调的是“预测准确性”，事先都没有特意强调某自变量的重要性，对所有自变量一视同仁，到底哪个变量最重需要依靠结果去判定，是骡子是马拉出去溜溜。从这个角度来说，机器学习和深度学习更有可能发现那些影响程度大的自变量，更有利于新理论的发现，更能体现“实践是检验真理的唯一标准”这一准则。简言之，计量经济学的目的是验证现有理论，而机器学习和深度学习更有利于理论创新。
（3）机器学习和深度学习注重实用，它们基于训练集搭建模型，使用测试集检验预测准确性。目前的计量经济学基本没有训练集和测试集的区分，在训练集中既搭建模型又测试模型，既是运动员又是裁判员。计量经济学中的拟合优度高，通常对应机器学习和深度学习中“过拟合”的情形，这不是个好事，是个坏事。简言之，机器学习和深度学习重“实用”，计量经济学重“套路”。
（4）计量经济学的可解释性比较好，变量系数通常可解释为X变化一单位，Y变化几单位（或%几），机器学习和深度学习的可解释性不好，这也是它们在学术研究中还没有被广泛运用的原因吧。
（5）由于拿不到总体数据，计量经济学强调“通过样本推断总体”，强调系数显著性。机器学习和深度学习有时会拿到总体数据（例如某单位的门禁系统），即使拿不到，也不太强调系数的显著性。
通过上面的文字，大家可能认为我在贬低计量经济学。其实，我真正想表达的意思是，计量经济学、机器学习和深度学习各有长处，学术圈的朋友要对机器学习和深度学习有更大的包容度，不能因为没有因果关系识别、解释性不好就一棍子打死。我以前是坚定的“因果关系”论的拥护者，也听过Angrist教授的课，我第一次讲计量课的时候（2009年），我就在强调因果关系。但在我接触机器学习以后，我的想法有了很大改变，发现外面的世界更精彩。当然，本人对机器学习和深度学习的理解尚浅，特别是深度学习，目前只是调用了一些现成的库，自己没有编写过完整的项目。可能正是由于“得不到的就是好的，不理解的就是好的”这种心理作怪，谈了上述的想法，这些想法可能不客观，不成熟，希望大家多多拍砖，加深我对相关内容的理解，谢谢！
星标⭐我们不迷路！想要文章及时到，文末“在看”少不了！
点击搜索你感兴趣的内容吧
往期推荐
数据Seminar
这里是大数据、分析技术与学术研究的三叉路口
欢迎扫描👇二维码添加关注