经济与社会科学2017scholar.harvard.edu
机器学习：一种应用计量经济学方法
Machine Learning: An Applied Econometric Approach
入门 · 约 60 分钟读完前置知识：计量经济学基础、机器学习基础
导读
这篇论文由 Sendhil Mullainathan 等人撰写，从计量经济学视角介绍机器学习：将计量经济学视为对线性模型的参数估计，而 ML 则是在不做有意义的参数估计的情况下直接拟合函数。文章用数据和实例对比了各类算法在不同问题上的表现，并讨论了 ML 方法在经济学研究中的应用与局限。
HN 关注点：机器学习与传统计量经济学/统计推断的关系，尤其是 ML 特征选择为何不能直接用于因果推断这一问题。
HN 评论精选
这几条评论里：支持 1 质疑 1 补充 2
支持文章兼具领域概览和视角转换，例子也很精彩
这篇文章有两点让我很欣赏：1) 用数据给出了该领域的概览（例如各算法在某些问题上的相对表现）；2) 提供了一种看待熟悉数学的新视角——把计量经济学看作线性模型的参数估计，而 ML 正相反：直接映射函数而不估计有意义或一致的参数。3) 我知道我只说了两点，但其中的例子也很有趣，快速总结了研究历史。
inputcoffee查看英文原文
This article had two components that I appreciate: 1. It gave us a broad overview of the field with data (example, the relative performance on various algorithms on certain problems) 2. It gave us another way of looking at some math we may be familiar with. For example, it looked at econometrics as parameter estimation of a linear model, and ML as the opposite: mapping a function without estimating meaningful or consistent parameters. 3. I know I only said two, but I also enjoyed some of the examples. They are interesting and they quickly summarize the research history.
补充推荐作者的相关演讲视频作为补充
可以看看作者之一 Sendhil Mullainathan 就类似主题的演讲——更偏高层概述，但他是位很棒的演讲者。（附 YouTube 链接）
makmanalp查看英文原文
See one of the authors, Sendhil Mullainathan, speak about a similar subject here - a lot more high level but he's a great speaker. https://www.youtube.com/watch?v=W7izsrYGhdU&feature=youtu.be&list=PLVJQsjaKb-4TojaWqFKiiawtJCRGGfrgT
质疑认为文章定位是经济学家入门，但缺少贝叶斯 ML 内容
这似乎是一篇“给经济学家的 ML 入门”类型的文章。不过应该讨论一些贝叶斯 ML，那对他们来说似乎更有吸引力。
bllguo查看英文原文
Seems to be an "intro to ML for economists" type deal. Should discuss some Bayesian ML though, would be of more interest to them it seems
补充指出文中关于 ML 特征不能用于因果推断的精彩论述
第 10-12 页（96-98）对为什么通常不能把 ML 模型中选出的特征用于推断任务给出了非常好的解释。
paultopia查看英文原文
Very nice explanation of why you can't usually use features selected in ML models for inference tasks on pg 10-12(96-98).
相关资源
从这篇论文所有 HN 讨论帖的全部评论里整理出来的链接。
历次讨论
- 2017Hacker News 讨论帖165 分 · 9 评
同领域还值得读
一切的回报率，1870–2015
The Rate of Return on Everything, 1870–2015
利用1870–2015年多国的长期数据，估算股票、住房等各类资本的回报率，并将其与经济增长率进行比较。
经济与社会科学2019 · 487 分 · 260 评进阶 · 约 100 分钟编辑精选一切资产的回报率，1870–2015
The Rate of Return on Everything, 1870–2015
构建了 1870–2015 年 16 个国家的长周期资产回报数据集，覆盖股票、住房、政府债券和短期票据，系统比较各类资产的真实回报与波动性。
经济与社会科学2018 · 215 分 · 151 评进阶 · 约 120 分钟编辑精选一切资产的回报率，1870–2015（2019）
The Rate of Return on Everything, 1870–2015 (2019)
这篇发表于《经济学季刊》的论文构建了 1870–2015 年间 16 个主要发达国家的股票、债券、房地产等资产收益率的长周期数据库。
经济与社会科学2024 · 190 分 · 148 评进阶 · 约 80 分钟编辑精选想法是否越来越难找？
Are ideas getting harder to find?
探讨“想法是否越来越难找到”：通过衡量多个领域的“研究生产率”，发现维持相同的增长需要投入指数级增长的研究资源，即研究效率在持续下降。
经济与社会科学2016 · 182 分 · 106 评入门 · 约 60 分钟编辑精选比特币与区块链的经济极限
The Economic Limits of Bitcoin and the Blockchain
芝加哥大学 Eric Budish 的论文从经济学角度分析比特币与区块链的根本限制：核心论点是只要攻击网络（双花或砸盘做空）的收益超过挖矿成本，51% 算力攻击就有利可图，而挖矿…
经济与社会科学2018 · 176 分 · 37 评进阶 · 约 90 分钟编辑精选