0:00:00.012,0:00:01.054 ♪ [音乐] ♪ 0:00:03.620,0:00:06.420 [讲解员] 欢迎观看《诺奖得主畅谈系列》 0:00:07.000,0:00:10.043 在本集中,Josh Angrist[br]和Guido Imbens 0:00:10.043,0:00:14.716 与Isaiah Andrews就机器学习[br]在应用计量经济学中的作用 0:00:14.717,0:00:16.587 展开讨论和争辩 0:00:18.264,0:00:21.223 - [Isaiah] 有很多议题[br]两位大致上都意见一致 0:00:21.224,0:00:24.240 但我想换个两位有异议的话题 0:00:24.240,0:00:26.883 我想听听您们对机器学习的看法 0:00:26.883,0:00:29.900 还有就经济学而言[br]它在当前和未来所起的作用 0:00:30.072,0:00:33.714 - [Guido] 我看过一些[br]专论之类的数据 0:00:33.716,0:00:35.245 但并无相关出版文献 0:00:36.106,0:00:39.312 我看到有人做了搜索算法之类的实验 0:00:39.668,0:00:41.736 不过问题在于 0:00:42.829,0:00:45.623 该实验是关于排序与改变排序的 0:00:45.837,0:00:50.559 所以当中显然存在许多异质性 0:00:52.161,0:00:56.031 比方说若要搜寻的是 0:00:57.831,0:01:00.617 Britney Spears的照片 0:01:00.617,0:01:05.500 那么,排序并不重要[br]因为你会自行判断结果 0:01:06.136,0:01:09.717 排第一、第二,还是第三都无所谓 0:01:10.091,0:01:12.951 但若找的是最好的计量经济学专业书籍 0:01:13.139,0:01:18.196 结果排序是第一还是第十,差别就很大了 0:01:18.544,0:01:20.923 因为这关系到点阅率 0:01:21.829,0:01:23.417 所以… 0:01:23.417,0:01:27.259 - [Josh] 为什么需要[br]机器学习来发现这点? 0:01:27.260,0:01:29.195 似乎我自己来就行了 0:01:29.195,0:01:30.435 - 总的来说… 0:01:30.435,0:01:32.100 - 这有很多可能性 0:01:32.101,0:01:37.257 - 因为设想到事物的诸多特性 0:01:37.681,0:01:43.287 你会想了解造成异质性的驱力及其影响 0:01:43.323,0:01:45.008 - 但你只是在预测 0:01:45.008,0:01:47.665 某种意义上来说,这是在解决营销问题 0:01:47.666,0:01:49.191 - 不,这有因果关系 0:01:49.274,0:01:51.911 - 这是因果关系,但缺乏科学内涵 0:01:51.911,0:01:53.271 不妨这样想 0:01:53.664,0:01:57.307 - 不是的,在医疗界也有类似的例子 0:01:57.857,0:01:59.498 如果做个实验 0:01:59.498,0:02:03.705 你可能对治疗是否对[br]某些群体有效非常感兴趣 0:02:03.828,0:02:07.887 这当中牵涉各种特性[br]因此需要系统性地搜寻… 0:02:07.888,0:02:10.489 - 没错,但我怀疑的是这种观点: 0:02:10.489,0:02:13.561 我应关注的某种因果关系 0:02:13.689,0:02:17.259 可以通过一些有用的机器学习来发现 0:02:17.259,0:02:20.045 我对学校进行了许多研究 0:02:20.046,0:02:22.839 包括特许学校 0:02:22.839,0:02:25.167 公共资助的私立学校 0:02:25.225,0:02:29.399 校方实际上可视需要自由安排课程 0:02:29.529,0:02:33.390 有些特许学校的教学成效卓著 0:02:33.789,0:02:37.662 而在产生这类结果的数据集中包含许多共变量 0:02:37.663,0:02:43.207 包括基线分数、家庭背景、家长教育程度 0:02:43.343,0:02:45.800 学生性别和种族 0:02:45.930,0:02:49.795 一旦我将其中这些变量整合后 0:02:49.795,0:02:51.900 便会产生高维空间 0:02:52.243,0:02:56.401 我对那种班级特征的处理效应很感兴趣 0:02:56.457,0:03:02.046 比如是否对来自低收入家庭的孩子较有利 0:03:02.409,0:03:06.042 我很难相信会有这种应用 0:03:06.042,0:03:09.872 能解释非常高维的东西 0:03:09.872,0:03:14.971 像我发现[br]非白人高收入家庭的儿童 0:03:14.971,0:03:17.790 基线分数只落在第三个四分位数 0:03:18.166,0:03:23.108 且只在三年级(小学)时进入这种学校[br]而非六年级(中学) 0:03:23.108,0:03:25.715 那是高维分析的结果 0:03:25.716,0:03:28.016 条件陈述也很复杂 0:03:28.223,0:03:30.675 我认为在此使用应用有两大问题 0:03:30.676,0:03:34.000 首先是分析难以执行 0:03:34.600,0:03:36.412 也不明白这样做的理由 0:03:36.591,0:03:41.139 我还知道有些替代模型[br]就有几乎同样的作用 0:03:41.671,0:03:42.877 这就完全不同了 0:03:43.115,0:03:48.636 因为机器学习[br]无法指出真正重要的预测因子 0:03:48.637,0:03:51.020 只是告诉我这是不错的预测因子 0:03:51.486,0:03:57.586 所以我认为就社会科学而言[br]情况有些不同 0:03:57.785,0:04:00.983 - 我想你提到的[br]在社会科学应用中 0:04:01.513,0:04:08.091 效果并没有很大的异质性 0:04:09.783,0:04:13.410 - 若可人为填补模型缺陷,可能会有 0:04:13.411,0:04:15.685 - 不是这样的! 0:04:15.739,0:04:18.786 我想就多数干扰因子来讲 0:04:18.787,0:04:22.765 你会期望对所有人来说[br]效果意涵是一样的 0:04:24.358,0:04:26.913 或许当中存在些许强度差异 0:04:26.914,0:04:31.596 不过许多教学上的论辩[br]认为这对大家都有好处 0:04:34.169,0:04:37.385 并非只对某些人不利[br]对其他人就有益 0:04:37.471,0:04:40.812 当然其中会有一小部分不好 0:04:40.869,0:04:43.884 程度上会有落差 0:04:43.948,0:04:46.955 但得有非常庞大的数据集才能发现 0:04:47.135,0:04:51.415 我同意这类例子的分析难度不低 0:04:51.700,0:04:56.457 但我想还有很多异质性更高的情境 0:04:57.250,0:04:59.102 - 我不否认有那种可能 0:04:59.102,0:05:04.918 但我认为你所举的例子[br]本质上是营销案例 0:05:06.315,0:05:10.630 不,这是有其意涵的 0:05:10.631,0:05:14.393 组织机构是否要顾虑… 0:05:15.469,0:05:17.900 - 好吧,那我得读那篇论文了 0:05:18.336,0:05:21.008 所以感觉上 0:05:21.467,0:05:23.996 - 某些事我们仍有分歧[br]- 没错 0:05:23.996,0:05:25.440 并非全然达成共识 0:05:25.440,0:05:27.200 我也感觉到了 0:05:27.200,0:05:30.833 - 我们这方面有不同看法 0:05:30.834,0:05:32.915 是因为现在有了这些争论题材 0:05:33.040,0:05:34.754 - 现在是不是比较“热”了? 0:05:35.820,0:05:37.883 - 激烈起来好啊! 0:05:38.016,0:05:39.691 Josh,听您的意思是 0:05:39.692,0:05:45.236 并非全盘否定这类应用分析的可能性 0:05:45.237,0:05:49.487 而是对当前应用持保留态度 0:05:49.917,0:05:51.589 - 可以这样说[br]- 我是很有信心的 0:05:54.156,0:05:55.189 - 就此而言 0:05:55.189,0:05:57.661 我认为Josh说的有一定道理 0:05:57.987,0:06:01.984 即使是机器学习预测模型用例 0:06:01.984,0:06:06.952 真正大放异彩的地方[br]在于存在很多异质性 0:06:07.300,0:06:10.411 - 你不太在意这其中的细节,对吧? 0:06:10.769,0:06:11.836 - 是的 0:06:11.836,0:06:15.000 - 并无涉及政策角度之类的 0:06:15.128,0:06:20.089 - 机器学习更擅长辨识数字纪录之类的 0:06:20.090,0:06:24.000 而非建构复杂的模型 0:06:24.400,0:06:28.079 但是有很多社会科学,很多的经济应用 0:06:28.222,0:06:31.905 事实上,我们很了解所属变数间的关联 0:06:31.906,0:06:34.700 这些关联有很多是单调的 0:06:37.126,0:06:39.376 教育会提升收入 0:06:39.697,0:06:41.950 不分人口特性 0:06:41.950,0:06:44.930 任何教育程度都一样 0:06:44.930,0:06:46.076 直到获得博士学位 0:06:46.077,0:06:47.956 研究生教育也一样 0:06:49.227,0:06:55.605 合理的范围内还不至于大幅下滑 0:06:56.044,0:06:59.692 许多情况下[br]这类机器学习的方法表现亮眼 0:07:00.100,0:07:04.900 这些关联中包含许多非单调性的多模性 0:07:05.300,0:07:08.456 就这些关联性来说[br]机器学习是很有用的工具 0:07:08.921,0:07:11.787 不过我仍坚信 0:07:12.472,0:07:17.608 经济学家能从这些方法中获益良多 0:07:17.609,0:07:21.700 对未来前景影响巨大 0:07:21.889,0:07:22.979 ♪ [音乐] ♪ 0:07:23.382,0:07:25.912 - 机器学习在这方面[br]似乎还有很多有趣的话题 0:07:25.912,0:07:30.908 所以可否请Guido就当前既有的应用 0:07:30.908,0:07:32.598 再举些例子? 0:07:32.628,0:07:34.150 其中一个例子就是 0:07:34.673,0:07:39.565 我们目前在舍弃平均因果关系[br]转向寻求个别化的估计 0:07:41.492,0:07:43.426 来预测因果关系 0:07:43.427,0:07:47.569 这方面机器算法非常有用 0:07:47.932,0:07:51.503 以往的传统途径是内核方法 0:07:51.504,0:07:53.936 理论上成效不错 0:07:53.944,0:07:57.301 不过认真说来,有人说这已是极致了 0:07:57.548,0:07:59.779 不过此法的实际表现不甚理想 0:08:00.900,0:08:03.439 Stefan Wager[br]和 Susan Athey 0:08:03.439,0:08:07.526 两位学者持续耕耘的[br]随机与因果森林这类推断法 0:08:07.526,0:08:09.429 应用非常广泛 0:08:09.548,0:08:16.142 这些方法在这类情境中[br]推断基于共变项的因果效应 0:08:16.142,0:08:19.151 效果其实很不错 0:08:20.604,0:08:23.818 我想这些推断方法才刚起步 0:08:23.819,0:08:25.700 但很多情况下 0:08:27.351,0:08:31.600 这些演算法在搜索广泛空间时 0:08:31.721,0:08:37.021 以及找出适合的函数方面帮助很大 0:08:37.267,0:08:40.948 其运作方式是我们无法事先备妥的 0:08:41.500,0:08:43.015 - 就因果推论而言 0:08:43.016,0:08:47.295 我没有机器学习[br]对我感兴趣的因果效应提供洞见的例子 0:08:47.767,0:08:51.209 我倒是有些很可能产生误导的例子 0:08:51.210,0:08:54.022 我和 Brigham Frandsen[br]合作过一些相关研究 0:08:54.022,0:08:59.897 例如,在需要界定共变量的工具变量问题中 0:09:00.187,0:09:03.456 使用随机森林来建立共变量效应模型 0:09:04.288,0:09:08.200 对此,你不会对其功能形式有特别强烈的感受 0:09:08.201,0:09:12.915 因此或许需作决策曲线分析[br]并对弹性曲线拟合分析持开放的态度 0:09:12.916,0:09:16.757 这会引导你进入一种[br]模型中包含许多非线性的情况 0:09:17.312,0:09:19.933 这对工具变量来说很危险 0:09:19.933,0:09:22.893 因为任何所排除的非线性 0:09:23.226,0:09:25.839 都有可能导致因果效应的谬误 0:09:25.839,0:09:29.292 我和Brigham已就这点提出有力证明 0:09:29.292,0:09:35.159 所用的例子是我和Bill Evans[br]合作的论文中所用的两项分析工具 0:09:35.160,0:09:38.754 其中若将两阶段最小二乘法 0:09:38.755,0:09:42.366 换成某种随机森林分析法 0:09:42.900,0:09:46.807 便会得出精密估算过的虚假推估 0:09:48.962,0:09:51.942 我认为这是一大警讯 0:09:51.943,0:09:54.665 考量我使用简单分析工具 0:09:54.666,0:09:58.975 就自身研究的案例中[br]所得到的这些验证 0:09:59.268,0:10:01.433 让我对此有所怀疑 0:10:02.862,0:10:06.276 非线性和工具变量并不是很契合 0:10:06.331,0:10:09.981 - 不是的,这听起来好像更复杂了 0:10:10.052,0:10:12.372 - 我们谈的是工具变量...[br]- 是的 0:10:12.536,0:10:14.091 ...所以才设法厘清 0:10:15.907,0:10:17.289 有道理 0:10:17.289,0:10:18.410 ♪ [音乐] ♪ 0:10:18.410,0:10:22.132 - 作为Econometrica的编辑[br]我收到很多相关领域的论文 0:10:22.640,0:10:26.823 不过其动机并不明确 0:10:27.578,0:10:29.523 事实上是无目的的 0:10:29.759,0:10:34.919 这些投稿并非传统的[br]半参数基础论文 0:10:35.315,0:10:37.045 这是一大问题 0:10:38.496,0:10:42.337 相关的一个问题是计量经济学有种惯例 0:10:42.656,0:10:47.474 那就是非常专注于[br]形式变量渐近后的趋近结果 0:10:48.800,0:10:53.311 很多论文是作者提出一种方法后 0:10:53.312,0:10:59.420 然后以一种非常标准化的方式[br]建构出渐近的特性 0:11:00.896,0:11:02.078 - 那样不好吗? 0:11:02.815,0:11:09.040 - 我想这多少会排挤掉许多框架外的研究 0:11:09.040,0:11:13.585 毕竟机器学习的相关文献[br]很多是比较偏向演算法的 0:11:13.808,0:11:18.433 是基于演算法而得出预测 0:11:18.744,0:11:23.458 结果证明这种方式的成效[br]优于非参数内核回归 0:11:23.650,0:11:24.682 长期以来 0:11:24.683,0:11:28.643 计量经济学都在处理非参数[br]大家用的都是内核回归 0:11:29.037,0:11:31.202 这很适合用来证明定理 0:11:31.210,0:11:34.684 可藉此得出置信区间[br]一致性和渐近正态性 0:11:34.684,0:11:37.190 一切都很棒,但却不太实用 0:11:37.260,0:11:40.760 机器学习的研究方式却好很多 0:11:40.844,0:11:42.867 但又不会有这样的问题… 0:11:42.867,0:11:46.671 - 理论薄弱[br]不是我对机器学习不满的地方 0:11:47.141,0:11:52.394 - 不,我的意思是机器学习更擅于预测 0:11:52.394,0:11:54.830 - 机器学习是更好的曲线拟合工具 0:11:54.864,0:11:57.704 - 但机器学习使得那些 0:11:57.705,0:12:00.458 因为没有遵循常规 0:12:00.458,0:12:06.279 本来无法被计量经济学期刊[br]轻易接受的论文发布 0:12:06.857,0:12:12.344 当Breiman研究回归树的时候[br]也是不太正统 0:12:12.920,0:12:18.400 我想他投计量经济学期刊时[br]也必定遇到了不少困难 0:12:19.967,0:12:23.656 我认为我们画地自限 0:12:24.663,0:12:27.830 因此难有突破 0:12:27.924,0:12:31.154 毕竟很多机器学习的方法实际上很实用 0:12:31.163,0:12:34.000 我认为总的来说 0:12:34.908,0:12:40.168 计算机科学家在相关研究文献上[br]贡献了大量的这类演算法 0:12:40.582,0:12:43.887 也提出诸多很实用的演算法 0:12:43.887,0:12:48.964 而这也会影响我们进行实证研究的方式 0:12:49.749,0:12:52.066 不过我们对此尚未完全内化 0:12:52.068,0:12:57.748 因为我们仍相当专注于[br]获得点估计和标准误差 0:12:58.485,0:13:00.214 还有P值 0:13:00.270,0:13:06.183 某种程度上,我们得摆脱局限[br]以善用机器学习的能力 0:13:06.491,0:13:10.702 以及相关文献的有益贡献 0:13:11.396,0:13:13.548 - 我一方面颇能理解您的观点 0:13:13.548,0:13:16.850 也就是传统的计量经济学框架 0:13:16.850,0:13:23.612 是在类似趋近的设定下[br]提出一种方法来证明极限定理 0:13:24.237,0:13:27.057 因此论文出版有所局限 0:13:27.273,0:13:28.710 且在某种意义上 0:13:28.711,0:13:33.211 藉由放宽对论文学理论述的想像 0:13:33.485,0:13:38.299 机器学习的研究文献[br]就很多问题都有很实用的见解 0:13:38.300,0:13:41.085 而且目前对计量经济学也有重大影响 0:13:41.434,0:13:47.548 有个我很感兴趣的问题[br]您如何定位理论… 0:13:48.611,0:13:51.255 您是否认为理论部分毫无价值可言? 0:13:51.600,0:13:56.748 因为见到机器学习工具的产出时[br]我常有个疑问 0:13:56.772,0:14:01.653 您所提到的几种方式[br]实际上都已开推论结果 0:14:02.535,0:14:05.559 我想知道的是[br]不确定性量化之类的方法 0:14:05.560,0:14:08.000 我有自身的验证 0:14:08.000,0:14:10.888 我有既定的观点[br]并观察到对应结果 0:14:10.889,0:14:12.301 那要怎样就此更新呢? 0:14:12.302,0:14:13.643 而在某种意义上 0:14:13.643,0:14:17.145 若身处常态分布的世界[br]我也清楚怎样处理 0:14:17.146,0:14:18.305 但此处却不然 0:14:18.305,0:14:20.859 因此我想知道您对此有何看法 0:14:20.860,0:14:26.426 - 我不认为这些结果并无特别之处 0:14:26.427,0:14:30.161 但这类结果通常很难达成 0:14:30.162,0:14:32.162 我们可能无法办到 0:14:32.489,0:14:34.942 可能得分阶段来做 0:14:34.943,0:14:36.505 得有人率先提出 0:14:36.506,0:14:42.230 我有个特定功能的有趣演算法 0:14:42.231,0:14:44.699 且以特定标准而言 0:14:45.479,0:14:49.804 这种演算法在这组数据集的功效良好 0:14:50.896,0:14:52.602 所以我们应该提出来 0:14:52.602,0:14:59.463 未来也许有人会有办法[br]在特定条件下以此进行推论 0:14:59.463,0:15:03.800 然后发现达成条件不是很实际[br]那就再研究 0:15:03.903,0:15:10.535 我觉得我们过去始终认为[br]所投入的类型必须有所限制时 0:15:10.536,0:15:13.185 这是在自我设限 0:15:13.185,0:15:14.502 就某种意义而言 0:15:15.700,0:15:21.716 这又回到Josh和我[br]对局部平均处理效应的看法 0:15:21.909,0:15:25.174 以前人们并非这样看待这个问题的 0:15:25.899,0:15:29.089 某种层面而言,有人会说 0:15:29.500,0:15:33.845 这类工作的必要处理[br]就是先厘清需要估计的对象 0:15:34.132,0:15:37.499 然后尽力估计 0:15:38.026,0:15:44.158 但是你们这些人却倒行逆施 0:15:44.300,0:15:46.546 你可能会说,“你看看,我有个估计器 0:15:47.203,0:15:50.641 我要看看它所估计的内容是什么?” 0:15:50.642,0:15:55.141 然后我猜你可能会说[br]“这有啥特别的”之类的回应 0:15:55.142,0:15:58.451 并且说这样做不合理 0:15:58.948,0:16:03.003 我认为我们看待问题的方式 0:16:03.487,0:16:06.830 应该更灵活一点 0:16:06.831,0:16:11.172 因为过去未曾尝试[br]我们已错失一些机会 0:16:11.300,0:16:12.351 ♪ [音乐] ♪ 0:16:12.914,0:16:14.752 - Isaiah[br]你听到我们的观点了 0:16:14.753,0:16:18.267 也了解我们有一些意见分歧 0:16:18.268,0:16:20.400 为何不为我们评评理呢? 0:16:22.500,0:16:24.999 - 哦,您问的小问题好棒喔 0:16:26.484,0:16:32.966 我想一方面,我很认同[br]Guido提到的一些观点 0:16:35.911,0:16:40.156 有一点就机器学习来说似乎是比较清楚的 0:16:40.165,0:16:45.016 就某种我们有兴趣投入的非参数预测问题 0:16:45.017,0:16:49.625 无论是有条件的期望或条件概率 0:16:49.920,0:16:53.545 过去这得用内核回归 0:16:53.546,0:16:57.314 或运行序列回归之类的分析 0:16:57.672,0:17:00.442 目前为止[br]我们似乎明白了一件事 0:17:00.443,0:17:02.958 在广泛的应用层面上 0:17:03.102,0:17:07.457 像是估计有条件的平均函数[br]条件概率 0:17:07.458,0:17:09.811 或其他各种非参数对象 0:17:09.811,0:17:12.000 机器学习的方法 0:17:12.001,0:17:15.879 似乎比计量经济学和统计学[br]惯用的非参数分析法 0:17:15.880,0:17:17.292 表现得更好 0:17:17.299,0:17:19.107 尤其是在高维空间观察数据 0:17:19.500,0:17:22.976 - 你是在说倾向得分之类的? 0:17:22.977,0:17:25.063 - 正是[br]- 滋扰函数 0:17:25.063,0:17:27.215 - 对,倾向得分之类的 0:17:27.839,0:17:30.577 甚至是直接相关的对象 0:17:30.578,0:17:35.100 像是条件平均处理效应[br]这种区别两种条件期望函数者 0:17:35.100,0:17:36.507 这类的可能 0:17:36.508,0:17:38.095 当然,即便如此 0:17:38.873,0:17:45.817 有关如何解读的理论推论[br]和这类项目的大规模样本陈述 0:17:45.818,0:17:47.270 相对而言较不成熟 0:17:47.271,0:17:50.100 这还得看机器学习所用的估计器而定 0:17:50.100,0:17:53.165 但比较难的是 0:17:53.166,0:17:57.957 机器学习的某些分析方法[br]就特定目的而言似乎更好用 0:17:57.958,0:18:03.259 但我们得谨慎带入,并慎重解读结果 0:18:03.543,0:18:07.667 但这无疑是当今热门,也不乏相关研究 0:18:07.668,0:18:12.800 因此我完全可以预期[br]未来会有更多相关进展 0:18:12.913,0:18:16.693 因此机器学习有个需要警惕的问题是-- 0:18:16.694,0:18:22.139 这一方面是危机[br]而有时是降低应用价值的问题 0:18:22.139,0:18:26.618 那便是当人们着手一项自身跃跃欲试 0:18:26.619,0:18:28.676 而非问题导向的方法时 0:18:28.889,0:18:35.219 与其就自身感兴趣的对象及参数来切入 0:18:35.490,0:18:39.500 让我想一下要如何分辨特定事物 0:18:39.500,0:18:41.894 如何在庞大的数据中将其涵盖 0:18:41.895,0:18:47.065 “噢,这是有条件的期望函数[br]我来插入对应的机器学习的估计器” 0:18:47.065,0:18:48.705 这样做似乎是很合理的 0:18:48.904,0:18:53.084 反观若根据价格来回归数量 0:18:53.594,0:18:55.773 然后辩称是采用机器学习的方法 0:18:56.217,0:18:58.766 或许我很满意这解决了内生性问题 0:18:58.791,0:19:01.200 对此我们通常会顾虑,但也可能不会 0:19:01.491,0:19:06.291 但同样的,这让厘清问题的方法更明确了 0:19:06.500,0:19:09.779 也就是先决定研究兴趣,再思索一下… 0:19:09.779,0:19:11.623 - 就是带入经济学… 0:19:11.624,0:19:12.741 - 没错 0:19:12.741,0:19:14.566 - 并考量异质性 0:19:14.567,0:19:20.186 并就部分因子来善用机器学习的方法 0:19:20.293,0:19:21.387 - 正是如此 0:19:21.388,0:19:25.801 所以引发兴趣的问题向来都是一样的 0:19:25.801,0:19:28.483 但现在我们有一些更好的估计方法 0:19:28.864,0:19:32.704 而难以预测之处 0:19:32.704,0:19:37.196 就是机器学习的文献资料相当庞杂 0:19:37.452,0:19:42.723 而我提到的带入方式毕竟有限 0:19:42.928,0:19:45.476 因而衍生许多其他有趣的问题 0:19:45.477,0:19:49.300 例如这类交互的未来发展[br]及能从中汲取的其他经验 0:19:49.300,0:19:54.347 这些我相信仍有许多颇具前景的开发空间 0:19:54.414,0:19:56.400 但我没有确切答案 0:19:56.935,0:20:00.158 - 我完全同意 0:20:00.388,0:20:03.539 这很令人期待 0:20:03.539,0:20:06.162 我认为这方面只需再稍加把劲 0:20:06.600,0:20:08.883 所以这点Isaiah跟我看法一致 0:20:10.174,0:20:11.633 - 我没这么说喔 0:20:12.926,0:20:14.419 ♪ [音乐] ♪ 0:20:14.419,0:20:16.833 若你想观看更多[br]《诺奖得主畅谈系列》的节目 0:20:16.833,0:20:18.012 请点击此处 0:20:18.019,0:20:20.312 或你若想多学一点计量经济学 0:20:20.467,0:20:23.067 那就看看Josh的[br]《计量经济学》系列视频 0:20:23.600,0:20:26.569 若想多加了解[br]Guido、Josh和Isaiah 0:20:26.687,0:20:28.550 请参考视频描述中的链接 0:20:28.796,0:20:30.298 ♪ [音乐] ♪