Susan Athey前两天参加了Quora的公开问答活动，回应了一系列和经济学相关的问题。这里截取一个比较前沿的问题：
在未来，机器学习技术会对经济学研究产生怎样的影响？
Susan说：“一言以蔽之，影响或将不可限量。”
如今，经济学家正从现学现用的阶段过渡到根据自身研究需要量身修改机器学习方法的阶段。
Susan有关机器学习在经济学研究中应用的演说总是受到热烈关注。在去年夏天的NBER讲座上，Susan和Imbens介绍机器学习的话题吸引了超过250名经济学研究者目光。而不久前AEA会议中有关大数据问题的讲座也有百多名经济学人参与。
这一切都在说明机器学习技术愈发在经济学界显得活跃了。
简单的说，机器学习技术有两个分支：有监督学习和非监督学习。
有监督学习意指用从数据集中发现的一系列特征或协变量(x's)来预测结果(y's)。常用手段包括LASSO，随机森林，回归树，支持向量机等。这类技术长于预测，优点不少。
譬如，其建模过程中一个常见选择模型方法就是交叉验证，这种系统的模型选择方法是传统计量经济学研究中所匮缺的。
此外，Sendhil Mullainathan等经济学家也试图指出预测问题在公共政策研究中的重要作用。（微博曾推送过Sendhil的这篇论文Prediction Policy Problems）。Rao等人在用机器学习预测方法研究拦腰搜身(stop-and-frisk)问题，更多还可以参见前段时间的一个论坛：“Predictive Cities”: 2016 ASSA Preliminary Program。
尽管如此，我们得认识到：
机器学习擅长预测，但社会科学的重心在于研究因果。
Susan指出，在传统的计量经济学研究中，常会为了建立更基本的因果性推断而牺牲模型拟合数据（预测）的能力。这点是传统计量模型的优势所在，却尚未在机器学习研究中受到重视。
Susan在她目前的研究中，正尝试着改善已有的机器学习方法，让新方法既能吸纳已有机器学习技术优点，也能被应用在因果推断中。
最后，Susan提了提无监督学习。它相对和经济研究没那么关联了一些，主要应用范畴在聚类问题上。
原文：Susan Athey: What will be the impact of machine learning on economics?
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
