♪ [音乐] ♪

[讲解员] 欢迎观看《诺贝尔对话》

本集中，Josh Angrist
和Guido Imbens

与Isaiah Andrews就机器学习
在应用计量经济学中的角色

展开讨论和争辩

- [Isaiah] 有很多议题
两位大致上都同意

但我想换个或许两位各有看法的话题

我想听听你们对机器学习的看法

还有就经济学而言
这方面在当前和未来的进展

- [Guido] 我看过一些
专利之类的数据

但并无相关出版文献

我看到有人做了搜索演算法的实验

不过问题在于

该实验是关于排序与改变排序的

所以当中显然存在许多异质性

比方说若要搜寻的是

小甜甜布兰妮的照片
（Britney Spears）

那结果排序不重要
因为还要自行判断吻合的目标

是排第一、第二，还是第三都无所谓

但若要找的是最好的计量经济学专书

结果排序是第一还是第十，差别就很大

因为这关系到点阅率

有监于此…

- [Josh] 为什么需要
机器学习来发现这点？

这似乎我自己来就行了

- [Guido] 所以总的来说…

- [Josh] 这有很多可能性

- 因为设想到事物的诸多特性

你会想了解造成异质性的驱力及其影响

- 但你只是在预测

某种意义上来说，这是在解决营销问题

- 不，这有因果关系

- 这是因果关系，但缺乏科学内涵

不妨这样想

- 不是的，在医疗界也有类似的例子

你若对部分族群接受特定疗法的功效感兴趣

因此进行研究实验

这当中牵涉各种特性
因此需要系统性地搜寻…

- 没错，但我有疑虑是个体因果关系的假设

以及机器学习的洞察实用性

考量到我丰富的执教经验

包括一所公费资助的特许私校

校方实际上可视需要自由安排课程

有些特许学校的教学成效卓著

而在产生这类结果的数据集中包含许多共变量

包括基线分数、家庭背景、家长教育程度

学生性别和种族

一旦我将其中的数个项目整合后

便会产生高维空间

我对那种疗效研究的对应班级特征绝对有兴趣

比如是否对出身低收入家庭者较有利

但令我较难信服的应用是

非常高维的这类资料

我发现例如高收入家庭的非白人儿童

但基线分数落在第三个四分位数

且只在公立学校念到三年级而非六年级

因此衍生高维分析

条件陈述也很复杂

我认为刚才那种排序有两大问题

首先是分析难以执行

也不明白这样做的理由

我还知道有些替代模型就有几乎同样的作用

这就完全不同了

对吧？因为机器学习
无法指出真正重要的预测因子

只能找出不错的预测因子

所以我认为就社会科学而言，情况有些不同

- [Guido] 我想你提到的
社会科学应用

是效果异质性显著的例子

- [Josh] 若可填补模型空间可能会有

- 不是这样的！

我想就多数那些干扰因子来讲

你会期望对所有人来说，效果意涵是一样的

或许当中存在些许强度差异

不过许多教育上的论辩
认为这对大家都有好处

并非只对某些人不好，对其他人就有益

当然其中会有一小部分不好

程度上会有落差

但得有非常庞大的数据集才能发现

我同意这类例子的分析难度不低

但我想还有很多异质性更高的情境

- 我不否认有那种可能

我认为你所举的例子，本质上是营销案例

不，这就组织机构是有其意涵的

亦即实际上是否得顾虑…

- 好吧，那我得读那篇论文了

所以感觉上

- 某部份我们仍有意见分歧
- 没错

并非全然达成共识

我也感觉到了

- 这方面我们实际上有不同看法
是因为并非切身相关

[笑声]

现在气氛好一点了

热络起来好啊

Josh，听来你的意思是

你并非全盘否认这类分析可能有的应用价值

而是对当前应用抱持保留的态度

- 这说得通
- 我是很有信心的

[笑声]

- 就此而言

我认为Josh说的有道理

即使是机器学习大放异彩的预测模型用例

还是存在许多异质性

你不太在意这其中的细节对吧？

- [Guido] 是的

并无牵涉政策角度之类的

机器学习更擅长辨识数字纪录之类的

而非建构复杂的模型

但是有很多社会科学，很多的经济应用

事实上，我们很了解所属变数间的关联

这些关联有很多是单调（monotone）的

教育会提升收入

不分是人口特性

任何教育程度都一样

直到获得博士学位

研究所教育也一样吗？

[笑声]

合理的范围内还不至于大幅下滑

许多情况下，这类机器学习的方法表现亮眼

这些关联中包含许多非单调性的多模性

这些数据是很有力的