經濟學家們，請謹慎使用機器學習

應該用哪個單詞形容經濟學家？你可能會在憂慮，回歸甚至假設中選擇。在今年一月份，當博士生們在美國經濟協會（American Economic Association）的年會上推銷自己時，「市場」可能才是正確的描述。又或者，根據他們追隨潮流撰寫的最新文章來看，「羊群」更準確些。今年，研究大數據的機器學習成為了最火的技術；倫敦大學學院（UCL）的經濟學教授 Imran Rasul 甚至希望用這一技術大批量閱讀論文。

經濟學家很容易出現方法上的瘋狂。Rasul 教授回顧了在故紙堆中那些曾被使用過的技術，它們用不同方式把人群分成幾種，分析政策造成的影響。《經濟學人》研究了近年來國家經濟研究局（National Bureau of Economic Research）發布的所有論文，對每篇文章摘要中的關鍵詞進行了分析，下圖中顯示了應用實驗，隨機對照實驗（RCT）和雙差法（即比較不同組隨時間變化的趨勢）等方法的文章數量。

每當一個新工具出現時，經濟學的前沿都會向前推進一步，很多過去無法回答的問題會得以解決。這些工具看起來就像為經濟學家們點上了指路明燈。儘管有些科學家認為這些新技術的應用可能帶來危險的後果，而不會帶來經濟學的進步，他們認為新技術會讓經濟學誤入歧途，特別是在這些技術還在初始階段時。

在 1976 年，James Heckman 開發了一種簡單的方法校正特定類型樣品選擇的問題。例如，在此之前經濟學家很難估計教育對婦女工資產生的影響，因為選擇工作的婦女（可以比較工資的人）顯然更有可能獲得高收入。Heckman 的方法為經濟學家們消除了這種偏差，他的方式考慮了選擇工作與否的問題。這種方式掀起了社會科學新風潮，但它過於簡單，導致了濫用。

諾貝爾獎獲得者，數據挖掘專家 Angus Deaton 和 Durham 大學經濟學家 Nancy Cartwright 的一篇論文認為，隨機對照實驗——這個學科目前的寵兒——正在受到人們不合理地偏愛。隨機對照實驗需要將某種策略隨機分配給一些人，其他人作為對照，從而讓研究者觀察這種策略造成的影響。對隨機對照實驗的分析是兩者平均值的簡單比較。Deaton 和 Cartwright 認為這種方式有統計上的偏差，他們抱怨眾多應用此方式的研究人員在計算兩組結果的區別時經常不夠小心。因此，他們懷疑使用隨機對照實驗的大量發展和健康經濟學文獻都是「不可靠的」。

隨著時間的推移，經濟學家們應該學會如何使用這些新工具。但這其中還有更深層次的問題：時尚和潮流正在影響著經濟學——研究者們被引向特定問題的研究，更深層次的課題反而被忽視了。Deaton 和 Cartwright 擔心的是，隨機對照實驗產生了結果，但偏離了理論。「我們不知道為什麼它會發生，為什麼人們會這樣做，我們冒著讓理論失去價值的風險，我們因此放棄了經濟學最核心的一些東西。」另一個深層次的擔憂是：通過引人注目的簡單方法來評價政策好壞，經濟學家們正在忽略使用隨機對照實驗難以驗證的政策問題，如制度、貨幣政策和社會規範的影響。

在經濟學的一些領域裡，一種方法有時會排擠其他方法。在金融危機爆發以前，宏觀經濟學家的過分共識一直阻礙著學科的發展。今年 8 月，重量級宏觀經濟學家 Olivier Blanchard 向同僚們發出呼籲，要求大家對動態隨機一般均衡模型的使用不要那麼「帝國主義」，並且說，對於預測而言，這種方式理論上可能有些「功小於過」。他發出提醒：「不同的研究需要不同的模型。」

永不停歇的時尚追求

機器學習對於經濟學而言仍然是一個新鮮事物，還沒有火到被學界出言抵制的程度。但最近的新熱潮看起來就像是過去一些事件的重演。理論上，新技術的出現可以保護經濟學家免於偏離正確的研究軌道。在以前，經濟學家只會嘗試用一些簡單的輸入來做預測。在使用機器學習的時候，數據自己說話，機器通過學習大量輸入的數據生成更加準確的預測。

這種強大的方法似乎提高了經濟學家預測的準確性，在其他一些方面機器學習也有很多應用。例如，研究人員已經開始使用大數據來預測犯罪嫌疑人是否可能回到法庭接受審判，人工智慧已經影響了法庭的保釋決定。但是就像隨機對照實驗一樣，強大的演算法可能會誘導研究者們忽略課題背後的因果。數據科學家 Cathy O Neil 在她的新書《Weapons of Math Destruction》中指出，一些因素，如種族或來自高犯罪率的社區，可能是累犯的最佳預測因子。但如果考慮這些因素可能會造成執法的偏見或對某一群體的零容忍「破窗」政策，這會對高犯罪率或少數族裔社區造成不利影響。如果她的理論正確，人們濫用機器學習方法最終會受到懲罰。

Rasul 並不擔心新技術應用的「一點點超前」。他認為隨著時間的推移，這些方式的優點和局限性會逐漸顯現出來，它們也會和舊的方法逐漸整合在一起。但對於追求標新立異的批評聲中，有一個是正確的：好的經濟學家總會提出正確的問題，在使用所有工具之前，永遠要持懷疑態度。

TAG:機器之心 |

※強化學習的時代，機器被指導「自主學習」
※科學家打造「捕食者」機器人，可以自主學習跟蹤獵物
※李沐：從頭開始介紹機器學習，眼花繚亂的機器學習應用
※機器學習讓機器更智能
※企業應該怎樣選擇數據科學和機器學習平台？
※如何開始使用 Java 機器學習
※康奈爾大學科學家將機器學習應用於拓撲相位的分類和識別
※如何成為機器學習工程師？
※從機器學習談起
※機器學習和深度學習視頻資料精選
※機器如何學習？5分鐘弄懂監督學習、無監督學習、半監督學習與強化學習
※科學家和時間機器的故事
※科學家說，他們想用機器人預警海嘯
※深度學習PK傳統機器學習
※「免費深度學習課程」谷歌大腦技術負責人開設，從機器學習邁向深度學習
※機器學習簡史
※我是如何用機器學習技術幫助 HR 省時間的
※你是如何識別人臉的？MIT科學家用機器學習再現了其中的神經過程
※「硅腦」專家不是夢——機器學習在分子生物學領域大顯身手