优势。而宏观经济模型主要关注模型参数的识别问题以及因果推断问题,因此通常对模型形式做定的假设。在无监督学习中没有标记信息,目标是通过对无标记样本的学习来解释数据的内在性质与规律,为进步的数据分析提供基础,常见的无监督学习包括聚类密度估计异常检测等。当然,交叉验证在历史上也被用于经济学,例如为核回归选择带例如回归方法,也已经用来估计异质性处理效应。估计个带有处理变量与协变量交互项的回归,并将作为种变量选择算法,以决定哪些变量是最重要的。在使用这种方法时,可以谨慎地执行些补充分析,以验证该方法没有过拟合例如,可以使用样本分裂方法,使用半的数据来估计回归,并在另半数据中的用选择的变量进行普通最小乘法,然后将两种结果进行比较。如果结果不致,这可能表明使用半的数据不够好,或者它可能表明样本分割是必要的。作者高华川单位天津财经大学统计学院。关键词机器学习经函数,即从个体的可观测协变量到政策分配的函数。目标是选择个政策函数,以最大限度地减少不使用理想政策的损失。尽管机器学习文献中缺乏关于因果推断的研究,但最优策略估计的主题已经引起了些关注。因果树方法是基于回归树的机器学习方法,但它使用不同的标准来建立树,它侧重于处理效应的均方误差。该方法依赖于样本分割,其中半样本用于确定协变量空间树结构的最优划分,而另半用于估计叶节点的处理效应。该方法的输出是每个子组的处理效应和臵信区间。当目标是估计处理效应的异质性而不是结果变量的异质性时,树的构建标准应该不同。毕竟用和随机森林等机器学习方法来估计倾向得分。这种方法在许多情况下具有相对较差的性质,因为它们不定强调对估计偏差重要的协变量,也就是那些与结果变量和处理变量相关的混杂因素。更具前景的方法将结合潜在结果和协变量之间的关系进行估计,以及处理变量指标和协变量之间的关系的估计。例如,基于的两步法。首先使用回归选择与结果相关的协变量,然后再次选择与处理变量相关的协变量。在最后的普通最小乘回归中,包括了前面选择的两组协变量并集,这种方法与结果变量对协变量和处理变量的简单正则化回归相比,机器学习在经济学的应用宏观经济学论文相当具有挑战性的。在经济学中,研究人员使用各种各样的方法企图从观测数据中得到推断因果关系的策略。这些策略通常被称为识别策略,因为它们是识别因果效应的策略。目前常见的识别策略包括断点回归双重差分方法和合成控制等。已经有许多成功的机器学习预测方法在政策评估问题上的应用。用于预测的现成机器学习方法是重要的政策和决策问题的关键部分。例如,决定是否该为老年患者做髋关节臵换手术的例子如果能根据个人特征预测他们将在年内死亡,那么就不应该做手术。越来越多的文献正在解决使用机器学习方法进行因果推断的问题。这些文献采取济学中,研究人员使用各种各样的方法企图从观测数据中得到推断因果关系的策略。这些策略通常被称为识别策略,因为它们是识别因果效应的策略。目前常见的识别策略包括断点回归双重差分方法和合成控制等。已经有许多成功的机器学习预测方法在政策评估问题上的应用。用于预测的现成机器学习方法是重要的政策和决策问题的关键部分。例如,决定是否该为老年患者做髋关节臵换手术的例子如果能根据个人特征预测他们将在年内死亡,那么就不应该做手术。越来越多的文献正在解决使用机器学习方法进行因果推断的问题。这些文献采取机器学习方法的许多优点体没有接受其他处理水平的结果,所以我们不能直接观察因果效应,这称此为因果推断的基本问题。对政策效果进行推断的黄金标准是随机对照实验。然而,在许多情况下,由于成本政治或道德原因,或者由于研究总体太小,实验仍然难以实施或不可能实施。例如,为了研究是否上大学对劳动力市场经验的因果效应,阻止潜在的学生上大学是不道德的,通过随机分配最低工资政策给各州来研究最低工资的影响,政治上也不可行的。因此,经济学中关于政策问题的大量实证研究依赖于观测数据,即,以非随机分配的方式确定政策的数据。从观测数据推断政策的因果效应长度,以帮助工人决定储蓄率和求职策略针对健康检查进行监管社会政策,预测针对干预措施的最高风险青年在金融部门,贷款人识别潜在借款人的潜在信誉。机器学习在政策评估中的应用自世纪年代初以来,潜在结果方法,有时被称为因果模型,作为分析因果效应与政策评估的框架已经获得了普遍接受。在潜在结果方法中,对任个体的任处理水平,都有个潜在结果,描述此个体在处理水平下的结果变量的值。研究者观测给定个体接受的处理变量和相应的结果变量,但是因为我们没有观测到给定个体没有接受其他处理水在经济学中的应用越来越广泛。机器学习在经济学的应用宏观经济学论文。机器学习在宏观经济预测中的难点众所周知,大多数机器学习方法均要求样本是独立同分布的,即从总体中简单随机抽样,然而,经济变量,尤其是宏观经济变量通常是时间序列变量,其必然不满足独立同分布要求。这是目前限制机器学习在宏观经济预测中应用的主要难点。机器学习在宏观经济实时预测中的应用目前的研究热点为实时预测。实时预测的意思是预测经济变量的当前值,例如,预测当前季度增长率。由于经济数据的发布具有不同程度的滞后,中央银行与各政府部门经常的结果,所以我们不能直接观察因果效应,这称此为因果推断的基本问题。对政策效果进行推断的黄金标准是随机对照实验。然而,在许多情况下,由于成本政治或道德原因,或者由于研究总体太小,实验仍然难以实施或不可能实施。例如,为了研究是否上大学对劳动力市场经验的因果效应,阻止潜在的学生上大学是不道德的,通过随机分配最低工资政策给各州来研究最低工资的影响,政治上也不可行的。因此,经济学中关于政策问题的大量实证研究依赖于观测数据,即,以非随机分配的方式确定政策的数据。从观测数据推断政策的因果效应是相当具有挑战性的。在摘要随着大数据时代的到来,机器学习在经济学中的应用越来越广泛。机器学习与普通宏观经济预测模型的区别机器学习并不涉及识别问题机器学习方法仅关注预测准确性问题,因而在使用数据来选择函数形式方面具有很大的优势。而宏观经济模型主要关注模型参数的识别问题以及因果推断问题,因此通常对模型形式做定的假设。在无监督学习中没有标记信息,目标是通过对无标记样本的学习来解释数据的内在性质与规律,为进步的数据分析提供基础,常见的无监督学习包括聚类密度估计异常检测等。当然,交叉验证在历史上也被用于经济学,例如为核回归选择带建标准应该不同。毕竟,影响结果变量的因素可能与那些影响处理效应的因素有很大的不同。因果森林是对因果树方法的改进,该方法产生很多不同的树,并对结果进行平均,其与随机森林的区别是,构成森林的树是因果树。相对于识别种分割且估计每个分割中的因果相应的棵因果树而言,因果森林的因果效应估计随着协变量更平滑的变化,并且从原则上说,每个个体都有不同的估计。众所周知,随机森林在预测问题上表现得很好,但直到最近对其统计特性也了解不多。最近的研究结果证明,因果森林的预测是渐近正态的,且以每个个体的条件平均处理效应为中心。量情形的方法。例如,采用和随机森林等机器学习方法来估计倾向得分。这种方法在许多情况下具有相对较差的性质,因为它们不定强调对估计偏差重要的协变量,也就是那些与结果变量和处理变量相关的混杂因素。更具前景的方法将结合潜在结果和协变量之间的关系进行估计,以及处理变量指标和协变量之间的关系的估计。例如,基于的两步法。首先使用回归选择与结果相关的协变量,然后再次选择与处理变量相关的协变量。在最后的普通最小乘回归中,包括了前面选择的两组协变量并集,这种方法与结果变量对协变量和处理变量创新,但将它们应用于因果推断。这样做需要改变目标函数。此外,由于在测试集中没有观察到真实参数值,统计理论在评估模型中起着更重要的作用,因为即使研究者能够得到独立的测试集,也很难以直接评估参数的估计好坏。事实上,这讨论突出了预测比参数估计简单得多的关键方式之对于预测问题,给定个体的预测给定其协变量可以概括为单个数值,预测结果和预测质量可以不需要进步建模假设,就在测试集上进行评估。平均处理效应。近年来,研究人员已经开始使用机器学习方法来控制大量协变量。这些方法中的部分涉及用于少量协变量情形的方法。例如,的结果,所以我们不能直接观察因果效应,这称此为因果推断的基本问题。对政策效果进行推断的黄金标准是随机对照实验。然而,在许多情况下,由于成本政治或道德原因,或者由于研究总体太小,实验仍然难以实施或不可能实施。例如,为了研究是否上大学对劳动力市场经验的因果效应,阻止潜在的学生上大学是不道德的,通过随机分配最低工资政策给各州来研究最低工资的影响,政治上也不可行的。因此,经济学中关于政策问题的大量实证研究依赖于观测数据,即,以非随机分配的方式确定政策的数据。从观测数据推断政策的因果效应是相当具有挑战性的。在相当具有挑战性的。在经济学中,研究人员使用各种各样的方法企图从观测数据中得到推断因果关系的策略。这些策略通常被称为识别策略,因为它们是识别因果效应的策略。目前常见的识别策略包括断点回归双重差分方法和合成控制等。已经有许多成功的机器学习预测方法在政策评估问题上的应用。用于预测的现成机器学习方法是重要的政策和决策问题的关键部分。例如,决定是否该为老年患者做髋关节臵换手术的例子如果能根据个人特征预测他们将在年内死亡,那么就不应该做手术。越来越多的文献正在解决使用机器学习方法进行因果推断的问题。这些文献采取市场政策中,预测失业期长度,以帮助工人决定储蓄率和求职策略针对健康检查进行监管社会政策,预测针对干预措施的最高风险青年在金融部门,贷款人识别潜在借款人的潜在信誉。机器学习在政策评估中的应用自世纪年代初以来,潜在结果方法,有时被称为因果模型,作为分析因果效应与政策评估