♪ [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

就这些关联性来说，机器学习是很有力的工具

不过我仍坚信

经济学家能从这些方法中获益良多

对未来前景影响甚钜

♪ [音乐] ♪

- [Isaiah] 机器学习在这方面
似乎还有很多有趣的议题

所以可否请Guido就当前既有的应用

再举些例子？

其中一个例子就是

我们目前舍弃一般的因果关系
转向寻求个别化的估计

来预测因果关系

这方面机器学习的演算非常有用

以往的传统途径是内核方法

理论上成效不错

不过有些人辩解道这已经是最好的了

不过此法的实务表现不甚理想

Stefan Wager
和 Susan Athey

两位学者持续耕耘的
随机与因果森林这类推断法

应用非常广泛

这些方法在这类情境中
推断基于共变项的因果效应

效果其实很不错

我想这些推断方法才刚起步

但很多情况下

这些演算法在搜索广泛空间时

以及找出适合的函数方面帮助很大

其运作方式是我们无法事先备妥的

就因果推论而言

我并不清楚机器学习的洞见
是否有吸引我关注的例子

我知道一些很可能会误导的例子

因此我和 Brigham Frandsen
合作过一些相关研究

例如，在需要界定共变量的工具变量问题中

使用随机森林来建立共变量效应模型

对此，你不会对其功能形式有特别强烈的感受

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

这会引导你进入一种
模型中包含许多非线性的情况

这对工具变量来说很危险

因为任何所排除的非线性

都有可能导致因果效应的谬误

我想我和Brigham已就这点提出有力证明

所用的例子是我和Bill Evans
合着的论文中所用的两项分析工具

其中若将两阶段最小二乘法

换成某种随机森林分析法

便会得出精算过的虚假推估

我认为这是一大警讯

考量我使用简单分析工具

就自身研究兴趣的案例中
所得到的这些验证过的见解

让我对此有所怀疑

非线性和工具变量并不是很契合