Debido a que este será el tema de un panel en el Instituto de Verano NBER, ¿qué puede aprender la economía de Data Science y / o Machine Learning, y qué puntos sobre este tema le gustaría ver incluidos?

Como anécdota, los economistas tienen algo que aprender cuando necesitan componentes precisos y puramente predictivos como parte de un estudio más amplio. Por ejemplo, al predecir sensibilidades de precios, donde se necesitan predicciones contrafácticas para encontrar efectos causales, las predicciones pueden aprovechar la precisión y la validación que ofrecen los modelos ML en comparación con los modelos lineales convencionales que se enseñan en Econometría. Con suficientes datos para la predicción, la validación cruzada es el estándar de oro para la precisión en ML, en lugar de las medidas estadísticas tradicionales utilizadas en pequeños conjuntos de datos. Sobre la cuestión general, hay una buena discusión desde el punto de vista de los economistas en el reciente artículo de Hartford sobre “Variables instrumentales profundas” en arXiv: 1612.09596v1.

Vale la pena hacer la otra pregunta “¿Qué puede aprender ML de la Econometría?” Si aún no es obvio. Los estudios de economía tienen un concepto sutil del papel de la causalidad cuando se estudian las variables en un modelo, algo en desacuerdo con la “causalidad de Pearl”, la versión más familiar para los informáticos. Eso es casi todo lo que he entendido; Me interesaría si alguien puede dilucidar esto.

Hay un viejo chiste: en Física, 3 puntos forman una línea recta. En química, 2 puntos forman una línea recta. En biología, 1 punto forma una línea recta. En economía, solo existe la línea

Los economofísicos han abordado este problema durante más de 10 años, con resultados modestos.

Aquí, debe mostrar algunos resultados nuevos que aún no han sido abordados por la comunidad de física.

Últimamente he estado trabajando en algunas ideas relacionadas con el aprendizaje automático y la economía.

http://charlesmartin14.wordpress.com/2013/08/01/causality-correlation-and-brownian-motion/

Aquí hay un enlace a un artículo de Hal Varian (noviembre de 2013) “Big Data: nuevos trucos para la econometría” en Berkeley … tal vez salió de ese taller.

He comenzado una serie de reuniones para abordar esta pregunta y lo contrario: ¿qué pueden aprender los científicos de datos de la economía? Economía y Big Data si tiene alguna sugerencia sobre los oradores, por favor envíeme un mensaje en el sitio de reunión.

No soy economista, pero tengo experiencia en aprendizaje automático (ML) y visión por computadora. El ML podría utilizarse para analizar las siguientes situaciones:

(a) Colapso de la economía local como resultado de la hambruna.
¿Se debió a menos precipitaciones o una baja tasa de crecimiento en el sector de caminos rurales?
# Podría analizarse con inferencia causal

(b) ¿Cuál es el impacto del aumento del estado de derecho en las economías desarrolladas sobre el lavado de dinero?
# Un RBF Kernel SVM podría usarse para construir una función que proporcione un
# medida cuantitativa que conecta digamos índice de corrupción de un desarrollado
# país a una cantidad sospechosa de lavado de dinero del mundo en desarrollo