0:00:00.012,0:00:01.054
♪ [音乐] ♪

0:00:03.620,0:00:05.700
[讲解员] 欢迎观看《诺贝尔对话》

0:00:07.000,0:00:10.043
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角色

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]两位大致上都同意

0:00:21.224,0:00:24.240
但我想换个或许两位各有看法的话题

0:00:24.240,0:00:26.883
我想听听你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]这方面在当前和未来的进展

0:00:30.073,0:00:33.715
- [Guido] 我看过一些[br]专利之类的数据

0:00:33.716,0:00:34.978
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演算法的实验

0:00:39.668,0:00:41.176
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
小甜甜布兰妮的照片[br]（Britney Spears）

0:01:00.617,0:01:05.500
那结果排序不重要[br]因为还要自行判断吻合的目标

0:01:06.136,0:01:09.717
是排第一、第二，还是第三都无所谓

0:01:10.091,0:01:12.491
但若要找的是最好的计量经济学专书

0:01:13.139,0:01:18.196
结果排序是第一还是第十，差别就很大

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
有监于此…

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
这似乎我自己来就行了

0:01:29.195,0:01:30.435
- [Guido] 所以总的来说…

0:01:30.435,0:01:32.100
- [Josh] 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

0:01:51.911,0:01:53.141
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

0:01:57.857,0:02:01.942
你若对部分族群接受特定疗法的功效感兴趣

0:02:01.951,0:02:03.705
因此进行研究实验

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…

0:02:07.888,0:02:13.730
- 没错，但我有疑虑是个体因果关系的假设

0:02:13.999,0:02:17.024
以及机器学习的洞察实用性

0:02:17.259,0:02:20.045
考量到我丰富的执教经验

0:02:20.046,0:02:24.109
包括一所公费资助的特许私校

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
一旦我将其中的数个项目整合后

0:02:49.795,0:02:51.900
便会产生高维空间

0:02:52.244,0:02:56.402
我对那种疗效研究的对应班级特征绝对有兴趣

0:02:56.457,0:03:02.046
比如是否对出身低收入家庭者较有利

0:03:02.409,0:03:06.042
但令我较难信服的应用是

0:03:07.273,0:03:09.872
非常高维的这类资料

0:03:09.872,0:03:14.971
我发现例如高收入家庭的非白人儿童

0:03:14.971,0:03:17.800
但基线分数落在第三个四分位数

0:03:18.166,0:03:22.928
且只在公立学校念到三年级而非六年级

0:03:22.929,0:03:25.715
因此衍生高维分析

0:03:25.716,0:03:28.016
条件陈述也很复杂

0:03:28.223,0:03:30.675
我认为刚才那种排序有两大问题

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
对吧？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
只能找出不错的预测因子

0:03:51.486,0:03:57.586
所以我认为就社会科学而言，情况有些不同

0:03:57.785,0:04:00.983
- [Guido] 我想你提到的[br]社会科学应用

0:04:01.522,0:04:08.100
是效果异质性显著的例子

0:04:09.783,0:04:13.410
- [Josh] 若可填补模型空间可能会有

0:04:13.411,0:04:15.685
- 不是这样的！

0:04:15.739,0:04:18.786
我想就多数那些干扰因子来讲

0:04:18.787,0:04:22.765
你会期望对所有人来说，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
不过许多教育上的论辩[br]认为这对大家都有好处

0:04:34.169,0:04:37.385
并非只对某些人不好，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
我认为你所举的例子，本质上是营销案例

0:05:06.315,0:05:10.630
不，这就组织机构是有其意涵的

0:05:10.631,0:05:14.393
亦即实际上是否得顾虑…

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
- 某部份我们仍有意见分歧[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
- 这方面我们实际上有不同看法[br]是因为并非切身相关

0:05:30.833,0:05:32.334
[笑声]

0:05:33.049,0:05:34.763
现在气氛好一点了

0:05:35.820,0:05:37.883
热络起来好啊

0:05:38.016,0:05:39.691
Josh，听来你的意思是

0:05:39.692,0:05:45.236
你并非全盘否认这类分析可能有的应用价值

0:05:45.237,0:05:49.487
而是对当前应用抱持保留的态度

0:05:49.917,0:05:51.589
- 这说得通[br]- 我是很有信心的

0:05:51.981,0:05:53.663
[笑声]

0:05:54.156,0:05:55.189
- 就此而言

0:05:55.189,0:05:56.751
我认为Josh说的有道理

0:05:57.987,0:06:04.974
即使是机器学习大放异彩的预测模型用例

0:06:04.992,0:06:06.952
还是存在许多异质性

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
- [Guido] 是的

0:06:11.836,0:06:15.000
并无牵涉政策角度之类的

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（monotone）的

0:06:37.126,0:06:39.376
教育会提升收入

0:06:39.697,0:06:41.950
不分是人口特性

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
研究所教育也一样吗？

0:06:47.956,0:06:49.227
[笑声]

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，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
这些数据是很有力的