WEBVTT

00:00:00.012 --> 00:00:01.054
♪ [音乐] ♪

00:00:03.620 --> 00:00:06.420
[讲解员] 欢迎观看《诺奖得主畅谈系列》

00:00:07.000 --> 00:00:10.043
在本集中，Josh Angrist
和Guido Imbens

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

00:00:14.717 --> 00:00:16.587
展开讨论和争辩

00:00:18.264 --> 00:00:21.223
- [Isaiah] 有很多议题
两位大致上都意见一致

00:00:21.224 --> 00:00:24.240
但我想换个两位有异议的话题

00:00:24.240 --> 00:00:26.883
我想听听您们对机器学习的看法

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

00:00:30.072 --> 00:00:33.714
- [Guido] 我看过一些
专论之类的数据

00:00:33.716 --> 00:00:35.245
但并无相关出版文献

00:00:36.106 --> 00:00:39.312
我看到有人做了搜索算法之类的实验

00:00:39.668 --> 00:00:41.736
不过问题在于

00:00:42.829 --> 00:00:45.623
该实验是关于排序与改变排序的

00:00:45.837 --> 00:00:50.559
所以当中显然存在许多异质性

00:00:52.161 --> 00:00:56.031
比方说若要搜寻的是

00:00:57.831 --> 00:01:00.617
Britney Spears的照片

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

00:01:06.136 --> 00:01:09.717
排第一、第二，还是第三都无所谓

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

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

00:01:18.544 --> 00:01:20.923
因为这关系到点阅率

00:01:21.829 --> 00:01:23.417
所以…

00:01:23.417 --> 00:01:27.259
- [Josh] 为什么需要
机器学习来发现这点？

00:01:27.260 --> 00:01:29.195
似乎我自己来就行了

00:01:29.195 --> 00:01:30.435
- 总的来说…

00:01:30.435 --> 00:01:32.100
- 这有很多可能性

00:01:32.101 --> 00:01:37.257
- 因为设想到事物的诸多特性

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

00:01:43.323 --> 00:01:45.008
- 但你只是在预测

00:01:45.008 --> 00:01:47.665
某种意义上来说，这是在解决营销问题

00:01:47.666 --> 00:01:49.191
- 不，这有因果关系

00:01:49.274 --> 00:01:51.911
- 这是因果关系，但缺乏科学内涵

00:01:51.911 --> 00:01:53.271
不妨这样想

00:01:53.664 --> 00:01:57.307
- 不是的，在医疗界也有类似的例子

00:01:57.857 --> 00:01:59.498
如果做个实验

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

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…

00:02:07.888 --> 00:02:10.489
- 没错，但我怀疑的是这种观点：

00:02:10.489 --> 00:02:13.561
我应关注的某种因果关系

00:02:13.689 --> 00:02:17.259
可以通过一些有用的机器学习来发现

00:02:17.259 --> 00:02:20.045
我对学校进行了许多研究

00:02:20.046 --> 00:02:22.839
包括特许学校

00:02:22.839 --> 00:02:25.167
公共资助的私立学校

00:02:25.225 --> 00:02:29.399
校方实际上可视需要自由安排课程

00:02:29.529 --> 00:02:33.390
有些特许学校的教学成效卓著

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

00:02:37.663 --> 00:02:43.207
包括基线分数、家庭背景、家长教育程度

00:02:43.343 --> 00:02:45.800
学生性别和种族

00:02:45.930 --> 00:02:49.795
一旦我将其中这些变量整合后

00:02:49.795 --> 00:02:51.900
便会产生高维空间

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

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

00:03:02.409 --> 00:03:06.042
我很难相信会有这种应用

00:03:06.042 --> 00:03:09.872
能解释非常高维的东西

00:03:09.872 --> 00:03:14.971
像我发现
非白人高收入家庭的儿童

00:03:14.971 --> 00:03:17.790
基线分数只落在第三个四分位数

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）

00:03:23.108 --> 00:03:25.715
那是高维分析的结果

00:03:25.716 --> 00:03:28.016
条件陈述也很复杂

00:03:28.223 --> 00:03:30.675
我认为在此使用应用有两大问题

00:03:30.676 --> 00:03:34.000
首先是分析难以执行

00:03:34.600 --> 00:03:36.412
也不明白这样做的理由

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

00:03:41.671 --> 00:03:42.877
这就完全不同了

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

00:03:48.637 --> 00:03:51.020
只是告诉我这是不错的预测因子

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

00:03:57.785 --> 00:04:00.983
- 我想你提到的
在社会科学应用中

00:04:01.513 --> 00:04:08.091
效果并没有很大的异质性

00:04:09.783 --> 00:04:13.410
- 若可人为填补模型缺陷，可能会有

00:04:13.411 --> 00:04:15.685
- 不是这样的！

00:04:15.739 --> 00:04:18.786
我想就多数干扰因子来讲

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

00:04:24.358 --> 00:04:26.913
或许当中存在些许强度差异

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

00:04:34.169 --> 00:04:37.385
并非只对某些人不利
对其他人就有益

00:04:37.471 --> 00:04:40.812
当然其中会有一小部分不好

00:04:40.869 --> 00:04:43.884
程度上会有落差

00:04:43.948 --> 00:04:46.955
但得有非常庞大的数据集才能发现

00:04:47.135 --> 00:04:51.415
我同意这类例子的分析难度不低

00:04:51.700 --> 00:04:56.457
但我想还有很多异质性更高的情境

00:04:57.250 --> 00:04:59.102
- 我不否认有那种可能

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

00:05:06.315 --> 00:05:10.630
不，这是有其意涵的

00:05:10.631 --> 00:05:14.393
组织机构是否要顾虑…

00:05:15.469 --> 00:05:17.900
- 好吧，那我得读那篇论文了

00:05:18.336 --> 00:05:21.008
所以感觉上

00:05:21.467 --> 00:05:23.996
- 某些事我们仍有分歧
- 没错

00:05:23.996 --> 00:05:25.440
并非全然达成共识

00:05:25.440 --> 00:05:27.200
我也感觉到了

00:05:27.200 --> 00:05:30.833
- 我们这方面有不同看法

00:05:30.834 --> 00:05:32.915
是因为现在有了这些争论题材

00:05:33.040 --> 00:05:34.754
- 现在是不是比较“热”了？

00:05:35.820 --> 00:05:37.883
- 激烈起来好啊！

00:05:38.016 --> 00:05:39.691
Josh，听您的意思是

00:05:39.692 --> 00:05:45.236
并非全盘否定这类应用分析的可能性

00:05:45.237 --> 00:05:49.487
而是对当前应用持保留态度

00:05:49.917 --> 00:05:51.589
- 可以这样说
- 我是很有信心的

00:05:54.156 --> 00:05:55.189
- 就此而言

00:05:55.189 --> 00:05:57.661
我认为Josh说的有一定道理

00:05:57.987 --> 00:06:01.984
即使是机器学习预测模型用例

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

00:06:07.300 --> 00:06:10.411
- 你不太在意这其中的细节，对吧？

00:06:10.769 --> 00:06:11.836
- 是的

00:06:11.836 --> 00:06:15.000
- 并无涉及政策角度之类的

00:06:15.128 --> 00:06:20.089
- 机器学习更擅长辨识数字纪录之类的

00:06:20.090 --> 00:06:24.000
而非建构复杂的模型

00:06:24.400 --> 00:06:28.079
但是有很多社会科学，很多的经济应用

00:06:28.222 --> 00:06:31.905
事实上，我们很了解所属变数间的关联

00:06:31.906 --> 00:06:34.700
这些关联有很多是单调的

00:06:37.126 --> 00:06:39.376
教育会提升收入

00:06:39.697 --> 00:06:41.950
不分人口特性

00:06:41.950 --> 00:06:44.930
任何教育程度都一样

00:06:44.930 --> 00:06:46.076
直到获得博士学位

00:06:46.077 --> 00:06:47.956
研究生教育也一样

00:06:49.227 --> 00:06:55.605
合理的范围内还不至于大幅下滑

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

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

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

00:07:08.921 --> 00:07:11.787
不过我仍坚信

00:07:12.472 --> 00:07:17.608
经济学家能从这些方法中获益良多

00:07:17.609 --> 00:07:21.700
对未来前景影响巨大

00:07:21.889 --> 00:07:22.979
♪ [音乐] ♪

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

00:07:25.912 --> 00:07:30.908
所以可否请Guido就当前既有的应用

00:07:30.908 --> 00:07:32.598
再举些例子？

00:07:32.628 --> 00:07:34.150
其中一个例子就是

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

00:07:41.492 --> 00:07:43.426
来预测因果关系

00:07:43.427 --> 00:07:47.569
这方面机器算法非常有用

00:07:47.932 --> 00:07:51.503
以往的传统途径是内核方法

00:07:51.504 --> 00:07:53.936
理论上成效不错

00:07:53.944 --> 00:07:57.301
不过认真说来，有人说这已是极致了

00:07:57.548 --> 00:07:59.779
不过此法的实际表现不甚理想

00:08:00.900 --> 00:08:03.439
Stefan Wager
和 Susan Athey

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

00:08:07.526 --> 00:08:09.429
应用非常广泛

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

00:08:16.142 --> 00:08:19.151
效果其实很不错

00:08:20.604 --> 00:08:23.818
我想这些推断方法才刚起步

00:08:23.819 --> 00:08:25.700
但很多情况下

00:08:27.351 --> 00:08:31.600
这些演算法在搜索广泛空间时

00:08:31.721 --> 00:08:37.021
以及找出适合的函数方面帮助很大

00:08:37.267 --> 00:08:40.948
其运作方式是我们无法事先备妥的

00:08:41.500 --> 00:08:43.015
- 就因果推论而言

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

00:08:47.767 --> 00:08:51.209
我倒是有些很可能产生误导的例子

00:08:51.210 --> 00:08:54.022
我和 Brigham Frandsen
合作过一些相关研究

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

00:09:00.187 --> 00:09:03.456
使用随机森林来建立共变量效应模型

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

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

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

00:09:17.312 --> 00:09:19.933
这对工具变量来说很危险

00:09:19.933 --> 00:09:22.893
因为任何所排除的非线性

00:09:23.226 --> 00:09:25.839
都有可能导致因果效应的谬误

00:09:25.839 --> 00:09:29.292
我和Brigham已就这点提出有力证明

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

00:09:35.160 --> 00:09:38.754
其中若将两阶段最小二乘法

00:09:38.755 --> 00:09:42.366
换成某种随机森林分析法

00:09:42.900 --> 00:09:46.807
便会得出精密估算过的虚假推估

00:09:48.962 --> 00:09:51.942
我认为这是一大警讯

00:09:51.943 --> 00:09:54.665
考量我使用简单分析工具

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

00:09:59.268 --> 00:10:01.433
让我对此有所怀疑

00:10:02.862 --> 00:10:06.276
非线性和工具变量并不是很契合

00:10:06.331 --> 00:10:09.981
- 不是的，这听起来好像更复杂了

00:10:10.052 --> 00:10:12.372
- 我们谈的是工具变量...
- 是的

00:10:12.536 --> 00:10:14.091
...所以才设法厘清

00:10:15.907 --> 00:10:17.289
有道理

00:10:17.289 --> 00:10:18.410
♪ [音乐] ♪

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

00:10:22.640 --> 00:10:26.823
不过其动机并不明确

00:10:27.578 --> 00:10:29.523
事实上是无目的的

00:10:29.759 --> 00:10:34.919
这些投稿并非传统的
半参数基础论文

00:10:35.315 --> 00:10:37.045
这是一大问题

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

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

00:10:48.800 --> 00:10:53.311
很多论文是作者提出一种方法后

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

00:11:00.896 --> 00:11:02.078
- 那样不好吗？

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

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

00:11:13.808 --> 00:11:18.433
是基于演算法而得出预测

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

00:11:23.650 --> 00:11:24.682
长期以来

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

00:11:29.037 --> 00:11:31.202
这很适合用来证明定理

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

00:11:34.684 --> 00:11:37.190
一切都很棒，但却不太实用

00:11:37.260 --> 00:11:40.760
机器学习的研究方式却好很多

00:11:40.844 --> 00:11:42.867
但又不会有这样的问题…

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

00:11:47.141 --> 00:11:52.394
- 不，我的意思是机器学习更擅于预测

00:11:52.394 --> 00:11:54.830
- 机器学习是更好的曲线拟合工具

00:11:54.864 --> 00:11:57.704
- 但机器学习使得那些

00:11:57.705 --> 00:12:00.458
因为没有遵循常规

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

00:12:06.857 --> 00:12:12.344
当Breiman研究回归树的时候
也是不太正统

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

00:12:19.967 --> 00:12:23.656
我认为我们画地自限

00:12:24.663 --> 00:12:27.830
因此难有突破

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

00:12:31.163 --> 00:12:34.000
我认为总的来说

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

00:12:40.582 --> 00:12:43.887
也提出诸多很实用的演算法

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

00:12:49.749 --> 00:12:52.066
不过我们对此尚未完全内化

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

00:12:58.485 --> 00:13:00.214
还有P值

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

00:13:06.491 --> 00:13:10.702
以及相关文献的有益贡献

00:13:11.396 --> 00:13:13.548
- 我一方面颇能理解您的观点

00:13:13.548 --> 00:13:16.850
也就是传统的计量经济学框架

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

00:13:24.237 --> 00:13:27.057
因此论文出版有所局限

00:13:27.273 --> 00:13:28.710
且在某种意义上

00:13:28.711 --> 00:13:33.211
藉由放宽对论文学理论述的想像

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

00:13:38.300 --> 00:13:41.085
而且目前对计量经济学也有重大影响

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…

00:13:48.611 --> 00:13:51.255
您是否认为理论部分毫无价值可言？

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

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

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

00:14:05.560 --> 00:14:08.000
我有自身的验证

00:14:08.000 --> 00:14:10.888
我有既定的观点
并观察到对应结果

00:14:10.889 --> 00:14:12.301
那要怎样就此更新呢？

00:14:12.302 --> 00:14:13.643
而在某种意义上

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

00:14:17.146 --> 00:14:18.305
但此处却不然

00:14:18.305 --> 00:14:20.859
因此我想知道您对此有何看法

00:14:20.860 --> 00:14:26.426
- 我不认为这些结果并无特别之处

00:14:26.427 --> 00:14:30.161
但这类结果通常很难达成

00:14:30.162 --> 00:14:32.162
我们可能无法办到

00:14:32.489 --> 00:14:34.942
可能得分阶段来做

00:14:34.943 --> 00:14:36.505
得有人率先提出

00:14:36.506 --> 00:14:42.230
我有个特定功能的有趣演算法

00:14:42.231 --> 00:14:44.699
且以特定标准而言

00:14:45.479 --> 00:14:49.804
这种演算法在这组数据集的功效良好

00:14:50.896 --> 00:14:52.602
所以我们应该提出来

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

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

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

00:15:10.536 --> 00:15:13.185
这是在自我设限

00:15:13.185 --> 00:15:14.502
就某种意义而言

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

00:15:21.909 --> 00:15:25.174
以前人们并非这样看待这个问题的

00:15:25.899 --> 00:15:29.089
某种层面而言，有人会说

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

00:15:34.132 --> 00:15:37.499
然后尽力估计

00:15:38.026 --> 00:15:44.158
但是你们这些人却倒行逆施

00:15:44.300 --> 00:15:46.546
你可能会说，“你看看，我有个估计器

00:15:47.203 --> 00:15:50.641
我要看看它所估计的内容是什么？”

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

00:15:55.142 --> 00:15:58.451
并且说这样做不合理

00:15:58.948 --> 00:16:03.003
我认为我们看待问题的方式

00:16:03.487 --> 00:16:06.830
应该更灵活一点

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

00:16:11.300 --> 00:16:12.351
♪ [音乐] ♪

00:16:12.914 --> 00:16:14.752
- Isaiah
你听到我们的观点了

00:16:14.753 --> 00:16:18.267
也了解我们有一些意见分歧

00:16:18.268 --> 00:16:20.400
为何不为我们评评理呢？

00:16:22.500 --> 00:16:24.999
- 哦，您问的小问题好棒喔

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

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

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

00:16:45.017 --> 00:16:49.625
无论是有条件的期望或条件概率

00:16:49.920 --> 00:16:53.545
过去这得用内核回归

00:16:53.546 --> 00:16:57.314
或运行序列回归之类的分析

00:16:57.672 --> 00:17:00.442
目前为止
我们似乎明白了一件事

00:17:00.443 --> 00:17:02.958
在广泛的应用层面上

00:17:03.102 --> 00:17:07.457
像是估计有条件的平均函数
条件概率

00:17:07.458 --> 00:17:09.811
或其他各种非参数对象

00:17:09.811 --> 00:17:12.000
机器学习的方法

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

00:17:15.880 --> 00:17:17.292
表现得更好

00:17:17.299 --> 00:17:19.107
尤其是在高维空间观察数据

00:17:19.500 --> 00:17:22.976
- 你是在说倾向得分之类的？

00:17:22.977 --> 00:17:25.063
- 正是
- 滋扰函数

00:17:25.063 --> 00:17:27.215
- 对，倾向得分之类的

00:17:27.839 --> 00:17:30.577
甚至是直接相关的对象

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

00:17:35.100 --> 00:17:36.507
这类的可能

00:17:36.508 --> 00:17:38.095
当然，即便如此

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

00:17:45.818 --> 00:17:47.270
相对而言较不成熟

00:17:47.271 --> 00:17:50.100
这还得看机器学习所用的估计器而定

00:17:50.100 --> 00:17:53.165
但比较难的是

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

00:17:57.958 --> 00:18:03.259
但我们得谨慎带入，并慎重解读结果

00:18:03.543 --> 00:18:07.667
但这无疑是当今热门，也不乏相关研究

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

00:18:12.913 --> 00:18:16.693
因此机器学习有个需要警惕的问题是--

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

00:18:22.139 --> 00:18:26.618
那便是当人们着手一项自身跃跃欲试

00:18:26.619 --> 00:18:28.676
而非问题导向的方法时

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

00:18:35.490 --> 00:18:39.500
让我想一下要如何分辨特定事物

00:18:39.500 --> 00:18:41.894
如何在庞大的数据中将其涵盖

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”

00:18:47.065 --> 00:18:48.705
这样做似乎是很合理的

00:18:48.904 --> 00:18:53.084
反观若根据价格来回归数量

00:18:53.594 --> 00:18:55.773
然后辩称是采用机器学习的方法

00:18:56.217 --> 00:18:58.766
或许我很满意这解决了内生性问题

00:18:58.791 --> 00:19:01.200
对此我们通常会顾虑，但也可能不会

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

00:19:06.500 --> 00:19:09.779
也就是先决定研究兴趣，再思索一下…

00:19:09.779 --> 00:19:11.623
- 就是带入经济学…

00:19:11.624 --> 00:19:12.741
- 没错

00:19:12.741 --> 00:19:14.566
- 并考量异质性

00:19:14.567 --> 00:19:20.186
并就部分因子来善用机器学习的方法

00:19:20.293 --> 00:19:21.387
- 正是如此

00:19:21.388 --> 00:19:25.801
所以引发兴趣的问题向来都是一样的

00:19:25.801 --> 00:19:28.483
但现在我们有一些更好的估计方法

00:19:28.864 --> 00:19:32.704
而难以预测之处

00:19:32.704 --> 00:19:37.196
就是机器学习的文献资料相当庞杂

00:19:37.452 --> 00:19:42.723
而我提到的带入方式毕竟有限

00:19:42.928 --> 00:19:45.476
因而衍生许多其他有趣的问题

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

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

00:19:54.414 --> 00:19:56.400
但我没有确切答案

00:19:56.935 --> 00:20:00.158
- 我完全同意

00:20:00.388 --> 00:20:03.539
这很令人期待

00:20:03.539 --> 00:20:06.162
我认为这方面只需再稍加把劲

00:20:06.600 --> 00:20:08.883
所以这点Isaiah跟我看法一致

00:20:10.174 --> 00:20:11.633
- 我没这么说喔

00:20:12.926 --> 00:20:14.419
♪ [音乐] ♪

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

00:20:16.833 --> 00:20:18.012
请点击此处

00:20:18.019 --> 00:20:20.312
或你若想多学一点计量经济学

00:20:20.467 --> 00:20:23.067
那就看看Josh的
《计量经济学》系列视频

00:20:23.600 --> 00:20:26.569
若想多加了解
Guido、Josh和Isaiah

00:20:26.687 --> 00:20:28.550
请参考视频描述中的链接

00:20:28.796 --> 00:20:30.298
♪ [音乐] ♪