經濟學（勞動、衛生等應用微觀計量領域）為什麼沒能廣泛應用人工神經網路演算法等機器學習的演算法？

01-23

是因為需要讓估計得到的模型具有一定先驗理論模型的結構么？（或者說需要讓每個參數具有「經濟學」上的意義？）
以及，在業界這些演算法有用來預測社會經濟方便的問題么？如果是，主要由誰來實現、怎麼對接？

克拉克獎獲得者蘇珊.阿瑟說過一句話就可以概括了：神經網路的預測能力強，但是解釋力差，而傳統計量的解釋力強，預測力弱。工程重預測，經濟學重解釋。

題主說一定要有模型，這個倒未必，很多計量也可以是探索性的，自變數因變數設定一下，先跑一個線性回歸看看顯著性，很多研究都這麼開始的。但是計量的好處在於，回歸結果出來之後，不管解釋了因變數變化的百分之幾，但是估計值就在哪裡放著，哪個變數顯著，哪個變數不顯著，哪個變數更重要，可謂是一目了然。然後我們就可以或者用現有理論來解釋回歸結果，或者提出新的解釋。

但是神經網路高度非線性，往往就是把參數輸入進去，然後輸出一個預測結果，一般來說，我們比較的是預測的精度，預測越准，我們認為這個演算法越好。但是經濟學家需要回答的是為什麼。因為高度的非線性，各種參數之間在神經網路內部互相糾纏，我們只知道最後的結果是好的，但是無法把這個預測掰開了，揉碎了告訴大家，分別來自於哪個參數的作用。

在工程上，往往需要的是結果，所以預測准就夠了，就能夠用來開發諸如在線推薦系統等等基於機器學習的應用了，但是經濟學需要的解釋經濟現象背後的原理，為什麼這麼准呢？目前還是需要用經典的計量來解釋更有效。

蘇珊.阿瑟本人有計算機本科學歷的背景，對機器學習的各種比較工程的方法不排斥，並且在聯通機器學習和計量經濟學方面做了很多的工作。有興趣去她的主頁看看：Susan Athey

比如這篇文章 Machine Learning for Estimating Heretogeneous Casual Effects 就很有意思。

謝邀。

之前做數學建模的時候用過一段時間的神經網路，所以還是斗膽說一點。

神經網路是演算法、工具，不是理論。

經濟學雖然基礎是人的決策，但是決策的背後是理性，在（可能是有限的）理性的前提下作出決策。而關於人如何做決策就是經濟學理論了。

神經網路可能某些時候可以幫助模擬人的行為，但是使用神經網路，你永遠不知道人為什麼會有這樣的行為。

老闆方向是複雜性研究~了解一二，也斗膽說幾句

人工神經網路貌似都是拿來做預測或者聚類，社科，尤其是經濟學方向，覺得這玩意解釋不了內在機理。最多就是經過訓練之後，擬合度比較好。而且還是靠歷史數據訓練出來的。。

此外，比較被看好的方向是agent-based modeling，不過進入成本比較高，要寫代碼，國外發展的已經不錯了，國內寥寥無幾。ABM的好處是充分考慮了異質性，從微觀個體建模。

經濟學畢竟非常關注內在機理是怎麼一回事，把結果弄出來但是說不出一二道理，主流經濟學不太接受。

鄙人本科水平，斗膽作答。

我覺得原因主要有二：

1. 神經網路等機器學習的演算法比較偏計算機演算法。雖然說精度較高，但是缺乏嚴格的數學證明。而計量模型則經過了統計學家們的嚴格推導。

2. 經濟學家並不完全追求預測的精度，在很多時候需要知道的是確定影響因子。影響因子的具體影響程度顯的不那麼重要。在很多時候整個經濟體處於結構性的平衡。一旦某個重要的影響因子發生了改變，而我們用之前的數據作training set的，很可能導致預測出來的結果完全不符合新平衡下的結果。

不過，我看到過agent based model這一模型使用計算機模擬宏觀經濟體中各個agent的行為。（據說）是行為經濟學的一個研究熱點。不知道算不算是和機器學習有異曲同工之妙。

附鏈接：

Agent-Based Macroeconomics (Tesfatsion)

雖然可以用80/20檢驗取消一些假關係，但是就算你訓練出一個符合歷史的模型，作為一個人類，你無法理解模型中的因果關係，於是無法猜測模型的適用範圍。

如果環境是穩定的，神經網路也許沒問題，但如果環境非穩，模型什麼時候可用什麼時候時候不可用很難清楚

這種無法回答why的東西真是讓人不怎麼喜歡呀。

雖然感覺不在行不該亂答.不過我和前作者的想法稍有不同. 解釋力是一方面.

我不太同意機器學習只有預測，不能解釋機制這一點. 比如，深度學習出來的東西無法解釋我覺得是我們太笨了...而不是學出來的東西有什麼問題.

如果一個機器學習的模型能90%以上的預測社會學的某個問題，那麼無論我們理解與否，這個模型都非常的重要.但事實是目前還做不到.

如果機器學習在社會科學上也能達到可觀的準確率.比如，以95%以上的準確率預測選舉結果...股票價格...投資機構行為.

那我覺得沒問題，即使不能解釋模型也夠了.不過我個人覺得社會科學的內在機制更加複雜，敏感.尤其不太穩定.所以目前機器學習還沒有被好好應用.

而且也是因為機器學習也就這些年出的...還沒來得及吧.

最後，我是機器學習一生推....我覺得挺有希望的啊

第一，這個東西沒有「微觀基礎」。簡單的說，跟已有模型都不能對接，需要先有人從經濟學的初始假設開始，運用這些演算法，搞一個分析框架出來（這本身就是開天闢地的工作）別的經濟學家才能大規模用。我讀書那會兒acemoglu有開這方面的課，課件網上都有，涉及一些這方面的探索。

第二，你說的微觀計量領域和宏觀國民經濟是基本脫節的，在意的是因果關係。所以很難指望他們涉及神經網路。

第三，至於你說的預測國民經濟方方面面，經濟學家們是不屑於做的，其實是他們做不好所以索性說不重要。金融工程、高頻交易里相關技能多點兒。這方面的前沿還是在IT業界，比如Google trends那些東西，但目測也還是沒啥進展。

第四，如果你關心前沿在哪裡，可以常翻翻econometrica。前面說的acemoglu，有幾篇就發在那裡。

我相信題主的原意並不拘泥於神經網路，應該是指包含了決策樹等等的機器學習方法總稱。樓上很多人扯著神經網路不放，閱讀能力堪憂，抓住重點能力堪憂。

回到正題。

因為90%的所謂經濟學人不懂。

並且承認這些東西實際上就是承認了現在常用方法的無效，也就是打翻重來。

最近十年來對工具變數等計量方法的攻擊比較猛烈，結構方程理論體系的未來個人覺得很堪憂。

經濟學是解釋現象的，ML或者DL是用來解決問題的。不管你給出多漂亮的理論解釋，多cute的identification, 解決不了問題，預測不了結果，改造不了世界，都是徒勞。我覺得經濟學屆如果不能對這個根本問題做出回應，整個學科在未來十到二十年將會面臨嚴重的危機。

看到樓上的回答我來說說我的一個想法吧，這個不是答案只是「想法」

首先，對於機器學習(NN是機器學習中的一個分類器而已)這個東西來說了解的人還不是太多，非計算機領域的人員不容易對NN模型進行分析。

第二，機器學習中的訓練集一般都是要求比較大的，一般還要對數據進行進一步處理才能得到能夠得到能夠進行分類的數據。這部分可以參考很多SVM相關的文章。

1. 神經網路等機器學習的演算法比較偏計算機演算法。雖然說精度較高，但是缺乏嚴格的數學證明。而計量模型則經過了統計學家們的嚴格推導。

這種說法其實是不了解神經網路是什麼一個東西，這就是一個工具而已，替換成SVM之類的也是可以的。這部分工具當然有嚴格的數學證明。對於不同的數據集真正要做的工作其實只有如何去表徵它。

第三，機器學習其實有些時候不適合很多行業所需求的東西，這個時候可以試試「深度學習」。

感覺好多評論都在說為什麼經濟學家不用神經網路，並沒有說人工智慧專家不去解決經濟學問題。我認為是人工智慧目前的能力還無法解決人類社會這樣的複雜系統。

神經網路適合訓練集比較大，信噪比比較高的問題，社科類的題目大多不在這個範圍里。另外，神經網路因為regularization不直觀，訓練非常依賴使用者的經驗和技巧，黑箱操作一般效果不好。

神經網路是數據挖掘集大成者，提綱挈領者，比較難。

其實這麼技術難度挺強的，很難用幾句話就能解釋清楚，看我的個人簡介，裡面有不少牛人。不如，進去提問看看吧

因為能被經濟學應用的演算法還沒有被寫出來。乖，等我幾年，我寫好就回來告訴你們噠。

不是很懂這塊，就提個在申的intern的例子…

ALICE

個人感覺這塊還比較新吧，有些嘗試性的項目，但結果能做成什麼樣，誰也不清楚…

經濟學對實證研究的追求是因果關係，演算法只是對估計過程的「優化」，其本身對於因果關係的識別沒有直接幫助。