1
00:00:00,012 --> 00:00:01,054
♪ [音乐] ♪

2
00:00:03,620 --> 00:00:06,420
[讲解员] 欢迎观看《诺奖得主畅谈系列》

3
00:00:07,000 --> 00:00:10,043
在本集中，Josh Angrist
和Guido Imbens

4
00:00:10,043 --> 00:00:14,716
与Isaiah Andrews就机器学习
在应用计量经济学中的作用

5
00:00:14,717 --> 00:00:16,587
展开讨论和争辩

6
00:00:18,264 --> 00:00:21,223
- [Isaiah] 有很多议题
两位大致上都意见一致

7
00:00:21,224 --> 00:00:24,240
但我想换个两位有异议的话题

8
00:00:24,240 --> 00:00:26,883
我想听听您们对机器学习的看法

9
00:00:26,883 --> 00:00:29,900
还有就经济学而言
它在当前和未来所起的作用

10
00:00:30,072 --> 00:00:33,714
- [Guido] 我看过一些
专论之类的数据

11
00:00:33,716 --> 00:00:35,245
但并无相关出版文献

12
00:00:36,106 --> 00:00:39,312
我看到有人做了搜索算法之类的实验

13
00:00:39,668 --> 00:00:41,736
不过问题在于

14
00:00:42,829 --> 00:00:45,623
该实验是关于排序与改变排序的

15
00:00:45,837 --> 00:00:50,559
所以当中显然存在许多异质性

16
00:00:52,161 --> 00:00:56,031
比方说若要搜寻的是

17
00:00:57,831 --> 00:01:00,617
Britney Spears的照片

18
00:01:00,617 --> 00:01:05,500
那么，排序并不重要
因为你会自行判断结果

19
00:01:06,136 --> 00:01:09,717
排第一、第二，还是第三都无所谓

20
00:01:10,091 --> 00:01:12,951
但若找的是最好的计量经济学专业书籍

21
00:01:13,139 --> 00:01:18,196
结果排序是第一还是第十，差别就很大了

22
00:01:18,544 --> 00:01:20,923
因为这关系到点阅率

23
00:01:21,829 --> 00:01:23,417
所以…

24
00:01:23,417 --> 00:01:27,259
- [Josh] 为什么需要
机器学习来发现这点？

25
00:01:27,260 --> 00:01:29,195
似乎我自己来就行了

26
00:01:29,195 --> 00:01:30,435
- 总的来说…

27
00:01:30,435 --> 00:01:32,100
- 这有很多可能性

28
00:01:32,101 --> 00:01:37,257
- 因为设想到事物的诸多特性

29
00:01:37,681 --> 00:01:43,287
你会想了解造成异质性的驱力及其影响

30
00:01:43,323 --> 00:01:45,008
- 但你只是在预测

31
00:01:45,008 --> 00:01:47,665
某种意义上来说，这是在解决营销问题

32
00:01:47,666 --> 00:01:49,191
- 不，这有因果关系

33
00:01:49,274 --> 00:01:51,911
- 这是因果关系，但缺乏科学内涵

34
00:01:51,911 --> 00:01:53,271
不妨这样想

35
00:01:53,664 --> 00:01:57,307
- 不是的，在医疗界也有类似的例子

36
00:01:57,857 --> 00:01:59,498
如果做个实验

37
00:01:59,498 --> 00:02:03,705
你可能对治疗是否对
某些群体有效非常感兴趣

38
00:02:03,828 --> 00:02:07,887
这当中牵涉各种特性
因此需要系统性地搜寻…

39
00:02:07,888 --> 00:02:10,489
- 没错，但我怀疑的是这种观点：

40
00:02:10,489 --> 00:02:13,561
我应关注的某种因果关系

41
00:02:13,689 --> 00:02:17,259
可以通过一些有用的机器学习来发现

42
00:02:17,259 --> 00:02:20,045
我对学校进行了许多研究

43
00:02:20,046 --> 00:02:22,839
包括特许学校

44
00:02:22,839 --> 00:02:25,167
公共资助的私立学校

45
00:02:25,225 --> 00:02:29,399
校方实际上可视需要自由安排课程

46
00:02:29,529 --> 00:02:33,390
有些特许学校的教学成效卓著

47
00:02:33,789 --> 00:02:37,662
而在产生这类结果的数据集中包含许多共变量

48
00:02:37,663 --> 00:02:43,207
包括基线分数、家庭背景、家长教育程度

49
00:02:43,343 --> 00:02:45,800
学生性别和种族

50
00:02:45,930 --> 00:02:49,795
一旦我将其中这些变量整合后

51
00:02:49,795 --> 00:02:51,900
便会产生高维空间

52
00:02:52,243 --> 00:02:56,401
我对那种班级特征的处理效应很感兴趣

53
00:02:56,457 --> 00:03:02,046
比如是否对来自低收入家庭的孩子较有利

54
00:03:02,409 --> 00:03:06,042
我很难相信会有这种应用

55
00:03:06,042 --> 00:03:09,872
能解释非常高维的东西

56
00:03:09,872 --> 00:03:14,971
像我发现
非白人高收入家庭的儿童

57
00:03:14,971 --> 00:03:17,790
基线分数只落在第三个四分位数

58
00:03:18,166 --> 00:03:23,108
且只在三年级（小学）时进入这种学校
而非六年级（中学）

59
00:03:23,108 --> 00:03:25,715
那是高维分析的结果

60
00:03:25,716 --> 00:03:28,016
条件陈述也很复杂

61
00:03:28,223 --> 00:03:30,675
我认为在此使用应用有两大问题

62
00:03:30,676 --> 00:03:34,000
首先是分析难以执行

63
00:03:34,600 --> 00:03:36,412
也不明白这样做的理由

64
00:03:36,591 --> 00:03:41,139
我还知道有些替代模型
就有几乎同样的作用

65
00:03:41,671 --> 00:03:42,877
这就完全不同了

66
00:03:43,115 --> 00:03:48,636
因为机器学习
无法指出真正重要的预测因子

67
00:03:48,637 --> 00:03:51,020
只是告诉我这是不错的预测因子

68
00:03:51,486 --> 00:03:57,586
所以我认为就社会科学而言
情况有些不同

69
00:03:57,785 --> 00:04:00,983
- 我想你提到的
在社会科学应用中

70
00:04:01,513 --> 00:04:08,091
效果并没有很大的异质性

71
00:04:09,783 --> 00:04:13,410
- 若可人为填补模型缺陷，可能会有

72
00:04:13,411 --> 00:04:15,685
- 不是这样的！

73
00:04:15,739 --> 00:04:18,786
我想就多数干扰因子来讲

74
00:04:18,787 --> 00:04:22,765
你会期望对所有人来说
效果意涵是一样的

75
00:04:24,358 --> 00:04:26,913
或许当中存在些许强度差异

76
00:04:26,914 --> 00:04:31,596
不过许多教学上的论辩
认为这对大家都有好处

77
00:04:34,169 --> 00:04:37,385
并非只对某些人不利
对其他人就有益

78
00:04:37,471 --> 00:04:40,812
当然其中会有一小部分不好

79
00:04:40,869 --> 00:04:43,884
程度上会有落差

80
00:04:43,948 --> 00:04:46,955
但得有非常庞大的数据集才能发现

81
00:04:47,135 --> 00:04:51,415
我同意这类例子的分析难度不低

82
00:04:51,700 --> 00:04:56,457
但我想还有很多异质性更高的情境

83
00:04:57,250 --> 00:04:59,102
- 我不否认有那种可能

84
00:04:59,102 --> 00:05:04,918
但我认为你所举的例子
本质上是营销案例

85
00:05:06,315 --> 00:05:10,630
不，这是有其意涵的

86
00:05:10,631 --> 00:05:14,393
组织机构是否要顾虑…

87
00:05:15,469 --> 00:05:17,900
- 好吧，那我得读那篇论文了

88
00:05:18,336 --> 00:05:21,008
所以感觉上

89
00:05:21,467 --> 00:05:23,996
- 某些事我们仍有分歧
- 没错

90
00:05:23,996 --> 00:05:25,440
并非全然达成共识

91
00:05:25,440 --> 00:05:27,200
我也感觉到了

92
00:05:27,200 --> 00:05:30,833
- 我们这方面有不同看法

93
00:05:30,834 --> 00:05:32,915
是因为现在有了这些争论题材

94
00:05:33,040 --> 00:05:34,754
- 现在是不是比较“热”了？

95
00:05:35,820 --> 00:05:37,883
- 激烈起来好啊！

96
00:05:38,016 --> 00:05:39,691
Josh，听您的意思是

97
00:05:39,692 --> 00:05:45,236
并非全盘否定这类应用分析的可能性

98
00:05:45,237 --> 00:05:49,487
而是对当前应用持保留态度

99
00:05:49,917 --> 00:05:51,589
- 可以这样说
- 我是很有信心的

100
00:05:54,156 --> 00:05:55,189
- 就此而言

101
00:05:55,189 --> 00:05:57,661
我认为Josh说的有一定道理

102
00:05:57,987 --> 00:06:01,984
即使是机器学习预测模型用例

103
00:06:01,984 --> 00:06:06,952
真正大放异彩的地方
在于存在很多异质性

104
00:06:07,300 --> 00:06:10,411
- 你不太在意这其中的细节，对吧？

105
00:06:10,769 --> 00:06:11,836
- 是的

106
00:06:11,836 --> 00:06:15,000
- 并无涉及政策角度之类的

107
00:06:15,128 --> 00:06:20,089
- 机器学习更擅长辨识数字纪录之类的

108
00:06:20,090 --> 00:06:24,000
而非建构复杂的模型

109
00:06:24,400 --> 00:06:28,079
但是有很多社会科学，很多的经济应用

110
00:06:28,222 --> 00:06:31,905
事实上，我们很了解所属变数间的关联

111
00:06:31,906 --> 00:06:34,700
这些关联有很多是单调的

112
00:06:37,126 --> 00:06:39,376
教育会提升收入

113
00:06:39,697 --> 00:06:41,950
不分人口特性

114
00:06:41,950 --> 00:06:44,930
任何教育程度都一样

115
00:06:44,930 --> 00:06:46,076
直到获得博士学位

116
00:06:46,077 --> 00:06:47,956
研究生教育也一样

117
00:06:49,227 --> 00:06:55,605
合理的范围内还不至于大幅下滑

118
00:06:56,044 --> 00:06:59,692
许多情况下
这类机器学习的方法表现亮眼

119
00:07:00,100 --> 00:07:04,900
这些关联中包含许多非单调性的多模性

120
00:07:05,300 --> 00:07:08,456
就这些关联性来说
机器学习是很有用的工具

121
00:07:08,921 --> 00:07:11,787
不过我仍坚信

122
00:07:12,472 --> 00:07:17,608
经济学家能从这些方法中获益良多

123
00:07:17,609 --> 00:07:21,700
对未来前景影响巨大

124
00:07:21,889 --> 00:07:22,979
♪ [音乐] ♪

125
00:07:23,382 --> 00:07:25,912
- 机器学习在这方面
似乎还有很多有趣的话题

126
00:07:25,912 --> 00:07:30,908
所以可否请Guido就当前既有的应用

127
00:07:30,908 --> 00:07:32,598
再举些例子？

128
00:07:32,628 --> 00:07:34,150
其中一个例子就是

129
00:07:34,673 --> 00:07:39,565
我们目前在舍弃平均因果关系
转向寻求个别化的估计

130
00:07:41,492 --> 00:07:43,426
来预测因果关系

131
00:07:43,427 --> 00:07:47,569
这方面机器算法非常有用

132
00:07:47,932 --> 00:07:51,503
以往的传统途径是内核方法

133
00:07:51,504 --> 00:07:53,936
理论上成效不错

134
00:07:53,944 --> 00:07:57,301
不过认真说来，有人说这已是极致了

135
00:07:57,548 --> 00:07:59,779
不过此法的实际表现不甚理想

136
00:08:00,900 --> 00:08:03,439
Stefan Wager
和 Susan Athey

137
00:08:03,439 --> 00:08:07,526
两位学者持续耕耘的
随机与因果森林这类推断法

138
00:08:07,526 --> 00:08:09,429
应用非常广泛

139
00:08:09,548 --> 00:08:16,142
这些方法在这类情境中
推断基于共变项的因果效应

140
00:08:16,142 --> 00:08:19,151
效果其实很不错

141
00:08:20,604 --> 00:08:23,818
我想这些推断方法才刚起步

142
00:08:23,819 --> 00:08:25,700
但很多情况下

143
00:08:27,351 --> 00:08:31,600
这些演算法在搜索广泛空间时

144
00:08:31,721 --> 00:08:37,021
以及找出适合的函数方面帮助很大

145
00:08:37,267 --> 00:08:40,948
其运作方式是我们无法事先备妥的

146
00:08:41,500 --> 00:08:43,015
- 就因果推论而言

147
00:08:43,016 --> 00:08:47,295
我没有机器学习
对我感兴趣的因果效应提供洞见的例子

148
00:08:47,767 --> 00:08:51,209
我倒是有些很可能产生误导的例子

149
00:08:51,210 --> 00:08:54,022
我和 Brigham Frandsen
合作过一些相关研究

150
00:08:54,022 --> 00:08:59,897
例如，在需要界定共变量的工具变量问题中

151
00:09:00,187 --> 00:09:03,456
使用随机森林来建立共变量效应模型

152
00:09:04,288 --> 00:09:08,200
对此，你不会对其功能形式有特别强烈的感受

153
00:09:08,201 --> 00:09:12,915
因此或许需作决策曲线分析
并对弹性曲线拟合分析持开放的态度

154
00:09:12,916 --> 00:09:16,757
这会引导你进入一种
模型中包含许多非线性的情况

155
00:09:17,312 --> 00:09:19,933
这对工具变量来说很危险

156
00:09:19,933 --> 00:09:22,893
因为任何所排除的非线性

157
00:09:23,226 --> 00:09:25,839
都有可能导致因果效应的谬误

158
00:09:25,839 --> 00:09:29,292
我和Brigham已就这点提出有力证明

159
00:09:29,292 --> 00:09:35,159
所用的例子是我和Bill Evans
合作的论文中所用的两项分析工具

160
00:09:35,160 --> 00:09:38,754
其中若将两阶段最小二乘法

161
00:09:38,755 --> 00:09:42,366
换成某种随机森林分析法

162
00:09:42,900 --> 00:09:46,807
便会得出精密估算过的虚假推估

163
00:09:48,962 --> 00:09:51,942
我认为这是一大警讯

164
00:09:51,943 --> 00:09:54,665
考量我使用简单分析工具

165
00:09:54,666 --> 00:09:58,975
就自身研究的案例中
所得到的这些验证

166
00:09:59,268 --> 00:10:01,433
让我对此有所怀疑

167
00:10:02,862 --> 00:10:06,276
非线性和工具变量并不是很契合

168
00:10:06,331 --> 00:10:09,981
- 不是的，这听起来好像更复杂了

169
00:10:10,052 --> 00:10:12,372
- 我们谈的是工具变量...
- 是的

170
00:10:12,536 --> 00:10:14,091
...所以才设法厘清

171
00:10:15,907 --> 00:10:17,289
有道理

172
00:10:17,289 --> 00:10:18,410
♪ [音乐] ♪

173
00:10:18,410 --> 00:10:22,132
- 作为<i>Econometrica</i>的编辑
我收到很多相关领域的论文

174
00:10:22,640 --> 00:10:26,823
不过其动机并不明确

175
00:10:27,578 --> 00:10:29,523
事实上是无目的的

176
00:10:29,759 --> 00:10:34,919
这些投稿并非传统的
半参数基础论文

177
00:10:35,315 --> 00:10:37,045
这是一大问题

178
00:10:38,496 --> 00:10:42,337
相关的一个问题是计量经济学有种惯例

179
00:10:42,656 --> 00:10:47,474
那就是非常专注于
形式变量渐近后的趋近结果

180
00:10:48,800 --> 00:10:53,311
很多论文是作者提出一种方法后

181
00:10:53,312 --> 00:10:59,420
然后以一种非常标准化的方式
建构出渐近的特性

182
00:11:00,896 --> 00:11:02,078
- 那样不好吗？

183
00:11:02,815 --> 00:11:09,040
- 我想这多少会排挤掉许多框架外的研究

184
00:11:09,040 --> 00:11:13,585
毕竟机器学习的相关文献
很多是比较偏向演算法的

185
00:11:13,808 --> 00:11:18,433
是基于演算法而得出预测

186
00:11:18,744 --> 00:11:23,458
结果证明这种方式的成效
优于非参数内核回归

187
00:11:23,650 --> 00:11:24,682
长期以来

188
00:11:24,683 --> 00:11:28,643
计量经济学都在处理非参数
大家用的都是内核回归

189
00:11:29,037 --> 00:11:31,202
这很适合用来证明定理

190
00:11:31,210 --> 00:11:34,684
可藉此得出置信区间
一致性和渐近正态性

191
00:11:34,684 --> 00:11:37,190
一切都很棒，但却不太实用

192
00:11:37,260 --> 00:11:40,760
机器学习的研究方式却好很多

193
00:11:40,844 --> 00:11:42,867
但又不会有这样的问题…

194
00:11:42,867 --> 00:11:46,671
- 理论薄弱
不是我对机器学习不满的地方

195
00:11:47,141 --> 00:11:52,394
- 不，我的意思是机器学习更擅于预测

196
00:11:52,394 --> 00:11:54,830
- 机器学习是更好的曲线拟合工具

197
00:11:54,864 --> 00:11:57,704
- 但机器学习使得那些

198
00:11:57,705 --> 00:12:00,458
因为没有遵循常规

199
00:12:00,458 --> 00:12:06,279
本来无法被计量经济学期刊
轻易接受的论文发布

200
00:12:06,857 --> 00:12:12,344
当Breiman研究回归树的时候
也是不太正统

201
00:12:12,920 --> 00:12:18,400
我想他投计量经济学期刊时
也必定遇到了不少困难

202
00:12:19,967 --> 00:12:23,656
我认为我们画地自限

203
00:12:24,663 --> 00:12:27,830
因此难有突破

204
00:12:27,924 --> 00:12:31,154
毕竟很多机器学习的方法实际上很实用

205
00:12:31,163 --> 00:12:34,000
我认为总的来说

206
00:12:34,908 --> 00:12:40,168
计算机科学家在相关研究文献上
贡献了大量的这类演算法

207
00:12:40,582 --> 00:12:43,887
也提出诸多很实用的演算法

208
00:12:43,887 --> 00:12:48,964
而这也会影响我们进行实证研究的方式

209
00:12:49,749 --> 00:12:52,066
不过我们对此尚未完全内化

210
00:12:52,068 --> 00:12:57,748
因为我们仍相当专注于
获得点估计和标准误差

211
00:12:58,485 --> 00:13:00,214
还有P值

212
00:13:00,270 --> 00:13:06,183
某种程度上，我们得摆脱局限
以善用机器学习的能力

213
00:13:06,491 --> 00:13:10,702
以及相关文献的有益贡献

214
00:13:11,396 --> 00:13:13,548
- 我一方面颇能理解您的观点

215
00:13:13,548 --> 00:13:16,850
也就是传统的计量经济学框架

216
00:13:16,850 --> 00:13:23,612
是在类似趋近的设定下
提出一种方法来证明极限定理

217
00:13:24,237 --> 00:13:27,057
因此论文出版有所局限

218
00:13:27,273 --> 00:13:28,710
且在某种意义上

219
00:13:28,711 --> 00:13:33,211
藉由放宽对论文学理论述的想像

220
00:13:33,485 --> 00:13:38,299
机器学习的研究文献
就很多问题都有很实用的见解

221
00:13:38,300 --> 00:13:41,085
而且目前对计量经济学也有重大影响

222
00:13:41,434 --> 00:13:47,548
有个我很感兴趣的问题
您如何定位理论…

223
00:13:48,611 --> 00:13:51,255
您是否认为理论部分毫无价值可言？

224
00:13:51,600 --> 00:13:56,748
因为见到机器学习工具的产出时
我常有个疑问

225
00:13:56,772 --> 00:14:01,653
您所提到的几种方式
实际上都已开推论结果

226
00:14:02,535 --> 00:14:05,559
我想知道的是
不确定性量化之类的方法

227
00:14:05,560 --> 00:14:08,000
我有自身的验证

228
00:14:08,000 --> 00:14:10,888
我有既定的观点
并观察到对应结果

229
00:14:10,889 --> 00:14:12,301
那要怎样就此更新呢？

230
00:14:12,302 --> 00:14:13,643
而在某种意义上

231
00:14:13,643 --> 00:14:17,145
若身处常态分布的世界
我也清楚怎样处理

232
00:14:17,146 --> 00:14:18,305
但此处却不然

233
00:14:18,305 --> 00:14:20,859
因此我想知道您对此有何看法

234
00:14:20,860 --> 00:14:26,426
- 我不认为这些结果并无特别之处

235
00:14:26,427 --> 00:14:30,161
但这类结果通常很难达成

236
00:14:30,162 --> 00:14:32,162
我们可能无法办到

237
00:14:32,489 --> 00:14:34,942
可能得分阶段来做

238
00:14:34,943 --> 00:14:36,505
得有人率先提出

239
00:14:36,506 --> 00:14:42,230
我有个特定功能的有趣演算法

240
00:14:42,231 --> 00:14:44,699
且以特定标准而言

241
00:14:45,479 --> 00:14:49,804
这种演算法在这组数据集的功效良好

242
00:14:50,896 --> 00:14:52,602
所以我们应该提出来

243
00:14:52,602 --> 00:14:59,463
未来也许有人会有办法
在特定条件下以此进行推论

244
00:14:59,463 --> 00:15:03,800
然后发现达成条件不是很实际
那就再研究

245
00:15:03,903 --> 00:15:10,535
我觉得我们过去始终认为
所投入的类型必须有所限制时

246
00:15:10,536 --> 00:15:13,185
这是在自我设限

247
00:15:13,185 --> 00:15:14,502
就某种意义而言

248
00:15:15,700 --> 00:15:21,716
这又回到Josh和我
对局部平均处理效应的看法

249
00:15:21,909 --> 00:15:25,174
以前人们并非这样看待这个问题的

250
00:15:25,899 --> 00:15:29,089
某种层面而言，有人会说

251
00:15:29,500 --> 00:15:33,845
这类工作的必要处理
就是先厘清需要估计的对象

252
00:15:34,132 --> 00:15:37,499
然后尽力估计

253
00:15:38,026 --> 00:15:44,158
但是你们这些人却倒行逆施

254
00:15:44,300 --> 00:15:46,546
你可能会说，“你看看，我有个估计器

255
00:15:47,203 --> 00:15:50,641
我要看看它所估计的内容是什么？”

256
00:15:50,642 --> 00:15:55,141
然后我猜你可能会说
“这有啥特别的”之类的回应

257
00:15:55,142 --> 00:15:58,451
并且说这样做不合理

258
00:15:58,948 --> 00:16:03,003
我认为我们看待问题的方式

259
00:16:03,487 --> 00:16:06,830
应该更灵活一点

260
00:16:06,831 --> 00:16:11,172
因为过去未曾尝试
我们已错失一些机会

261
00:16:11,300 --> 00:16:12,351
♪ [音乐] ♪

262
00:16:12,914 --> 00:16:14,752
- Isaiah
你听到我们的观点了

263
00:16:14,753 --> 00:16:18,267
也了解我们有一些意见分歧

264
00:16:18,268 --> 00:16:20,400
为何不为我们评评理呢？

265
00:16:22,500 --> 00:16:24,999
- 哦，您问的小问题好棒喔

266
00:16:26,484 --> 00:16:32,966
我想一方面，我很认同
Guido提到的一些观点

267
00:16:35,911 --> 00:16:40,156
有一点就机器学习来说似乎是比较清楚的

268
00:16:40,165 --> 00:16:45,016
就某种我们有兴趣投入的非参数预测问题

269
00:16:45,017 --> 00:16:49,625
无论是有条件的期望或条件概率

270
00:16:49,920 --> 00:16:53,545
过去这得用内核回归

271
00:16:53,546 --> 00:16:57,314
或运行序列回归之类的分析

272
00:16:57,672 --> 00:17:00,442
目前为止
我们似乎明白了一件事

273
00:17:00,443 --> 00:17:02,958
在广泛的应用层面上

274
00:17:03,102 --> 00:17:07,457
像是估计有条件的平均函数
条件概率

275
00:17:07,458 --> 00:17:09,811
或其他各种非参数对象

276
00:17:09,811 --> 00:17:12,000
机器学习的方法

277
00:17:12,001 --> 00:17:15,879
似乎比计量经济学和统计学
惯用的非参数分析法

278
00:17:15,880 --> 00:17:17,292
表现得更好

279
00:17:17,299 --> 00:17:19,107
尤其是在高维空间观察数据

280
00:17:19,500 --> 00:17:22,976
- 你是在说倾向得分之类的？

281
00:17:22,977 --> 00:17:25,063
- 正是
- 滋扰函数

282
00:17:25,063 --> 00:17:27,215
- 对，倾向得分之类的

283
00:17:27,839 --> 00:17:30,577
甚至是直接相关的对象

284
00:17:30,578 --> 00:17:35,100
像是条件平均处理效应
这种区别两种条件期望函数者

285
00:17:35,100 --> 00:17:36,507
这类的可能

286
00:17:36,508 --> 00:17:38,095
当然，即便如此

287
00:17:38,873 --> 00:17:45,817
有关如何解读的理论推论
和这类项目的大规模样本陈述

288
00:17:45,818 --> 00:17:47,270
相对而言较不成熟

289
00:17:47,271 --> 00:17:50,100
这还得看机器学习所用的估计器而定

290
00:17:50,100 --> 00:17:53,165
但比较难的是

291
00:17:53,166 --> 00:17:57,957
机器学习的某些分析方法
就特定目的而言似乎更好用

292
00:17:57,958 --> 00:18:03,259
但我们得谨慎带入，并慎重解读结果

293
00:18:03,543 --> 00:18:07,667
但这无疑是当今热门，也不乏相关研究

294
00:18:07,668 --> 00:18:12,800
因此我完全可以预期
未来会有更多相关进展

295
00:18:12,913 --> 00:18:16,693
因此机器学习有个需要警惕的问题是--

296
00:18:16,694 --> 00:18:22,139
这一方面是危机
而有时是降低应用价值的问题

297
00:18:22,139 --> 00:18:26,618
那便是当人们着手一项自身跃跃欲试

298
00:18:26,619 --> 00:18:28,676
而非问题导向的方法时

299
00:18:28,889 --> 00:18:35,219
与其就自身感兴趣的对象及参数来切入

300
00:18:35,490 --> 00:18:39,500
让我想一下要如何分辨特定事物

301
00:18:39,500 --> 00:18:41,894
如何在庞大的数据中将其涵盖

302
00:18:41,895 --> 00:18:47,065
“噢，这是有条件的期望函数
我来插入对应的机器学习的估计器”

303
00:18:47,065 --> 00:18:48,705
这样做似乎是很合理的

304
00:18:48,904 --> 00:18:53,084
反观若根据价格来回归数量

305
00:18:53,594 --> 00:18:55,773
然后辩称是采用机器学习的方法

306
00:18:56,217 --> 00:18:58,766
或许我很满意这解决了内生性问题

307
00:18:58,791 --> 00:19:01,200
对此我们通常会顾虑，但也可能不会

308
00:19:01,491 --> 00:19:06,291
但同样的，这让厘清问题的方法更明确了

309
00:19:06,500 --> 00:19:09,779
也就是先决定研究兴趣，再思索一下…

310
00:19:09,779 --> 00:19:11,623
- 就是带入经济学…

311
00:19:11,624 --> 00:19:12,741
- 没错

312
00:19:12,741 --> 00:19:14,566
- 并考量异质性

313
00:19:14,567 --> 00:19:20,186
并就部分因子来善用机器学习的方法

314
00:19:20,293 --> 00:19:21,387
- 正是如此

315
00:19:21,388 --> 00:19:25,801
所以引发兴趣的问题向来都是一样的

316
00:19:25,801 --> 00:19:28,483
但现在我们有一些更好的估计方法

317
00:19:28,864 --> 00:19:32,704
而难以预测之处

318
00:19:32,704 --> 00:19:37,196
就是机器学习的文献资料相当庞杂

319
00:19:37,452 --> 00:19:42,723
而我提到的带入方式毕竟有限

320
00:19:42,928 --> 00:19:45,476
因而衍生许多其他有趣的问题

321
00:19:45,477 --> 00:19:49,300
例如这类交互的未来发展
及能从中汲取的其他经验

322
00:19:49,300 --> 00:19:54,347
这些我相信仍有许多颇具前景的开发空间

323
00:19:54,414 --> 00:19:56,400
但我没有确切答案

324
00:19:56,935 --> 00:20:00,158
- 我完全同意

325
00:20:00,388 --> 00:20:03,539
这很令人期待

326
00:20:03,539 --> 00:20:06,162
我认为这方面只需再稍加把劲

327
00:20:06,600 --> 00:20:08,883
所以这点Isaiah跟我看法一致

328
00:20:10,174 --> 00:20:11,633
- 我没这么说喔

329
00:20:12,926 --> 00:20:14,419
♪ [音乐] ♪

330
00:20:14,419 --> 00:20:16,833
若你想观看更多
《诺奖得主畅谈系列》的节目

331
00:20:16,833 --> 00:20:18,012
请点击此处

332
00:20:18,019 --> 00:20:20,312
或你若想多学一点计量经济学

333
00:20:20,467 --> 00:20:23,067
那就看看Josh的
《计量经济学》系列视频

334
00:20:23,600 --> 00:20:26,569
若想多加了解
Guido、Josh和Isaiah

335
00:20:26,687 --> 00:20:28,550
请参考视频描述中的链接

336
00:20:28,796 --> 00:20:30,298
♪ [音乐] ♪