Machine Learning Methods Economists Should Know About
经济学家应了解的机器学习方法AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确涉及平均处理效应、最优政策及消费者选择模型中的价格反事实，支持因果推断和离散选择方向。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
经济学家应了解的机器学习方法
- 研究问题
- 研究机器学习与传统计量方法在目标、方法和应用环境上的差异，以及哪些学习方法适合经济学实证问题。
- 方法与思路
- 作者讨论监督学习、无监督学习和矩阵补全，并介绍面向平均处理效应、最优政策及消费者选择反事实的交叉方法。
- 材料陈述的贡献
- 摘要提供面向经济学研究者的方法综述，并称部分机器学习与计量交叉方法在特定问题中优于直接使用既有方法。
- 阅读关注点
- 应核对各方法服务于预测还是因果与反事实目标、对应的识别条件，以及所称表现改善的比较对象与适用问题。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未列出具体方法细节或比较证据，不能据此认定普遍性能优势。
原文摘要
We discuss the relevance of the recent Machine Learning (ML) literature for economics and econometrics. First we discuss the differences in goals, methods and settings between the ML literature and the traditional econometrics and statistics literatures. Then we discuss some specific methods from the machine learning literature that we view as important for empirical researchers in economics. These include supervised learning methods for regression and classification, unsupervised learning methods, as well as matrix completion methods. Finally, we highlight newly developed methods at the intersection of ML and econometrics, methods that typically perform better than either off-the-shelf ML or more traditional econometric methods when applied to particular classes of problems, problems that include causal inference for average treatment effects, optimal policy estimation, and estimation of the counterfactual effect of price changes in consumer choice models.