昨日紹介したFrancis Dieboldの3連エントリの2番目にHal Varianがコメントし、Dieboldが指摘した問題――機械学習は因果関係の無い予測に重点を置くが、計量経済学は因果関係のある予測に重点を置く――について自分が以前書いた論文を2篇紹介している。一つは機械学習に詳しい人向けで、もう一つは経済学者向けとの由。 以下は前者の論文「Causal inference in economics and marketing」の要旨。 This is an elementary introduction to causal inference in economics written for readers familiar with machine learning methods. The critical step in any causal analysis is est
についてFrancis Dieboldが3つのエントリに亘って論じている(ここ、ここ、ここ;H/T Economist's View)。 彼が挙げた両者の相違は以下の2点。 機械学習は因果関係の無い予測に重点を置くが、計量経済学は因果関係のある予測に重点を置く。 換言すれば、機械学習は条件付き期待値を求めようとするが、計量経済学は偏微分を求めようとする。 時系列分析のように、計量経済学も因果関係の無い予測を求めることがあるが、その歴史は機械学習より遥かに古い。また、その場合は統計学に近いとも言える。「データサイエンティストとは何か?」「サンフランシスコに住んでいる統計学者のことさ」という古いジョークがその間の消息を物語っている。 計量経済学(および統計学)は、不確実性の確率的な評価に関心がある。一方、機械学習は点予測で満足してしまうことが多い。計量経済学(および統計学)は、区間予測、最終的
以前、サンプルサイズが大きくなると統計的有意性が高まるという話を紹介したが、カーネギーメロン大学の統計学者であるCosma Rohilla Shaliziが、自ブログ「Three-Toed Sloth」の表題のエントリ(原題は「Any P-Value Distinguishable from Zero is Insufficiently Informative」)で、p値についてその話を詳説している。(H/T Economist's View)。 そこでは5段階に分けた解説を行っているが、第一段階目では、「ゼロと異なる平均は任意の有意性を持つ(Any Non-Zero Mean Will Become Arbitrarily Significant)」という小題の下に、概ね以下のような解説を行っている。 μをゼロか否かを検定しようとしている平均パラメータ、をそのサンプル平均とした場合、検定
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
処理を実行中です
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く