WEBVTT

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

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

00:00:07.000 --> 00:00:10.043
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角色

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
两位大致上都同意

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

00:00:24.240 --> 00:00:26.883
我想听听你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
这方面在当前和未来的进展

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

00:00:33.716 --> 00:00:34.978
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演算法的实验

00:00:39.668 --> 00:00:41.176
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
小甜甜布兰妮的照片
（Britney Spears）

00:01:00.617 --> 00:01:05.500
那结果排序不重要
因为还要自行判断吻合的目标

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

00:01:10.091 --> 00:01:12.491
但若要找的是最好的计量经济学专书

00:01:13.139 --> 00:01:18.196
结果排序是第一还是第十，差别就很大

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
有监于此…

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
这似乎我自己来就行了

00:01:29.195 --> 00:01:30.435
- [Guido] 所以总的来说…

00:01:30.435 --> 00:01:32.100
- [Josh] 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 --> 00:01:53.141
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 --> 00:02:01.942
你若对部分族群接受特定疗法的功效感兴趣

00:02:01.951 --> 00:02:03.705
因此进行研究实验

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 --> 00:02:13.730
- 没错，但我有疑虑是个体因果关系的假设

00:02:13.999 --> 00:02:17.024
以及机器学习的洞察实用性

00:02:17.259 --> 00:02:20.045
考量到我丰富的执教经验

00:02:20.046 --> 00:02:24.109
包括一所公费资助的特许私校

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
一旦我将其中的数个项目整合后

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

00:02:52.244 --> 00:02:56.402
我对那种疗效研究的对应班级特征绝对有兴趣

00:02:56.457 --> 00:03:02.046
比如是否对出身低收入家庭者较有利

00:03:02.409 --> 00:03:06.042
但令我较难信服的应用是

00:03:07.273 --> 00:03:09.872
非常高维的这类资料

00:03:09.872 --> 00:03:14.971
我发现例如高收入家庭的非白人儿童

00:03:14.971 --> 00:03:17.800
但基线分数落在第三个四分位数

00:03:18.166 --> 00:03:22.928
且只在公立学校念到三年级而非六年级

00:03:22.929 --> 00:03:25.715
因此衍生高维分析

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

00:03:28.223 --> 00:03:30.675
我认为刚才那种排序有两大问题

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
对吧？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
只能找出不错的预测因子

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
- [Guido] 我想你提到的
社会科学应用

00:04:01.522 --> 00:04:08.100
是效果异质性显著的例子

00:04:09.783 --> 00:04:13.410
- [Josh] 若可填补模型空间可能会有

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

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

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
不过许多教育上的论辩
认为这对大家都有好处

00:04:34.169 --> 00:04:37.385
并非只对某些人不好，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
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，这就组织机构是有其意涵的

00:05:10.631 --> 00:05:14.393
亦即实际上是否得顾虑…

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

00:05:30.833 --> 00:05:32.334
[笑声]

00:05:33.049 --> 00:05:34.763
现在气氛好一点了

00:05:35.820 --> 00:05:37.883
热络起来好啊

00:05:38.016 --> 00:05:39.691
Josh，听来你的意思是

00:05:39.692 --> 00:05:45.236
你并非全盘否认这类分析可能有的应用价值

00:05:45.237 --> 00:05:49.487
而是对当前应用抱持保留的态度

00:05:49.917 --> 00:05:51.589
- 这说得通
- 我是很有信心的

00:05:51.981 --> 00:05:53.663
[笑声]

00:05:54.156 --> 00:05:55.189
- 就此而言

00:05:55.189 --> 00:05:56.751
我认为Josh说的有道理

00:05:57.987 --> 00:06:04.974
即使是机器学习大放异彩的预测模型用例

00:06:04.992 --> 00:06:06.952
还是存在许多异质性

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
- [Guido] 是的

00:06:11.836 --> 00:06:15.000
并无牵涉政策角度之类的

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（monotone）的

00:06:37.126 --> 00:06:39.376
教育会提升收入

00:06:39.697 --> 00:06:41.950
不分是人口特性

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
研究所教育也一样吗？

00:06:47.956 --> 00:06:49.227
[笑声]

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，机器学习是很有力的工具

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
对未来前景影响甚钜

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

00:07:23.382 --> 00:07:25.912
- [Isaiah] 机器学习在这方面
似乎还有很多有趣的议题

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
我们目前舍弃一般的因果关系
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
这方面机器学习的演算非常有用

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

00:07:53.937 --> 00:07:57.294
不过有些人辩解道这已经是最好的了

00:07:57.548 --> 00:07:59.579
不过此法的实务表现不甚理想

00:08:00.900 --> 00:08:02.971
Stefan Wager
和 Susan Athey

00:08:02.979 --> 00:08:06.644
两位学者持续耕耘的
随机与因果森林这类推断法

00:08:06.916 --> 00:08:09.429
应用非常广泛

00:08:09.548 --> 00:08:15.562
这些方法在这类情境中
推断基于共变项的因果效应

00:08:15.563 --> 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
我并不清楚机器学习的洞见
是否有吸引我关注的例子

00:08:47.767 --> 00:08:51.209
我知道一些很可能会误导的例子

00:08:51.210 --> 00:08:53.781
因此我和 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
我想我和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
合着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
就自身研究兴趣的案例中
所得到的这些验证过的见解

00:09:59.268 --> 00:10:01.093
让我对此有所怀疑

00:10:02.870 --> 00:10:06.284
非线性和工具变量并不是很契合