「机器学习」机器学习在计量经济学中的运用，伴随着电子信息技术的发展趋势，机器学习技术性广泛运用于工业领域各行各业。传统计量经济学与机器学习拥有 一同的理论基础和同样的研究思路，另外从科学研究方法与目地，对模型的规定、模型检测方法都拥有 显著的差别。针对传统计量经济学存有众多不够，比如基础理论假定过强、样版不够、模型泛化能力弱等难题，机器学习的现代性和方式 能够运用于在其中，能够合理处理传统计量经济学中的难题。

一、前言

机器学习被视作人工智能技术的非空子集，是对优化算法和统计分析模型的科研，计算机软件应用这种优化算法和统计分析模型来实行特殊每日任务而不用应用确立的命令，只是借助方式和逻辑推理。机器学习优化算法根据样版数据信息(称之为训炼数据信息)创建数学课模型，便于开展预测或管理决策，而不用确立程序流程来执行任务。伴随着信息科技的迅速发展趋势及其互联网技术普及化，互联网大数据得到造成，机器学习在众多行业如医药学、金融业、数据统计分析等充分发挥着关键的功效。伴随着机器学习在各个领域运用的逐步推进，经济学界也逐渐广泛运用机器学习于经济发展行业的科学研究。这些方面，海外专家学者早已获得积极主动进度，如诺奖获得者萨金特就设立“量化分析经济发展”(QuantEco)新项目，应用机器学习方式 对传统社会经济学再次演译。

「机器学习」机器学习在计量经济学中的运用，计量经济学是以数理经济学和数理统计学为科学方法论基本，针对金钱问题尝试对理论上的总数贴近和工作经验(实证分析)上的总数贴近这二者开展综合性而造成的社会经济学支系。殊不知，传统的计量经济学拥有 其原有的缺点，没法对许多实际难题做出站得住脚表述，尤其是在预测层面。而根据目前的样版数据信息对数据测试做出精确预测是机器学习基础每日任务。因而，将机器学习现代性和方式 应用于计量经济学中，能够非常好地填补传统计量经济学中的不够。

二、机器学习与计量经济学的不同点

某种意义上，机器学习与计量经济学是“一枚硬币的双面”，很多經典的机器学习优化算法如线性回归、Logit重归等线形模型最开始逐渐也是在社会经济学科学研究中应用，并伴随着电子信息技术的发展趋势慢慢逐渐在别的行业中运用。线形模型也是机器学习优化算法的基本，近年来盛行的神经元网络也是以线形模型发展趋势而成。最优控制是计量经济学关键研究方法，另外也是机器学习提升模型关键方式 ，因而二者科学研究实质全是最优控制难题。从这当中能够看得出，计量经济学和机器学习拥有 一同的理论基础和研究思路。

殊不知，二者的“每日任务”是不一样的。传统计量经济学关键每日任务是对经济理论开展实证研究，对学者明确提出基础理论开展过后检测，模型的可解释性十分关键;机器学习的关键每日任务是预测，关键处理重归和归类难题，模型的可解释性的关键水平并不是最大。

三、机器学习能填补计量经济学的不够

传统计量经济学广泛运用于流行社会经济学的科学研究，在学界造成了很多异议，一方面，许多专家学者觉得这促使“专用工具现实主义”在经济学界泛滥成灾，忽视金融研究的实质;另一方面，传统社会经济学一直强过表述而疏忽预测，对将来经济发展趋势一直没法做出精确有效预测。传统计量经济学的实证研究結果仅能对现有数据信息和观察結果开展检测，通常不高度重视对新样版的预测，这非常容易促使模型过拟合。而机器学习在其中一个关键研究内容是处理模型的过拟合难题，以能够更好地得出有效的预测。Google顶尖经济师范里安(HalVarian)觉得，机器学习的现代性和能够和计量经济学无缝衔接，机器学习众多方式 处理传统社会经济学存有的众多难题。

1.区划训炼-数据测试集。传统计量经济学主要是根据统计量检测模型的线性拟合优劣，但这类方式 拥有 非常大局限性，强过表述而疏忽预测，特别是在在对不明数据信息的预测上。优化算法模型应用训练集开展线性拟合，并对训练集预测，随后再对检测集开展预测，将二者的結果开展较为。假如训练集的预测結果与检测集的結果相距不大，则表明模型的泛化能力非常好;相反，模型的泛化能力很差。

传统计量经济学一般不容易区划数据来检测模型的线性拟合优劣，没法检验模型的泛化能力，这促使计量经济模型没法运用到不明的数据信息。

2.正则化。正则化在机器学习中关键用以避免模型的过拟合，提升模型的泛化能力。正则化是为处理过拟合难题而添加的附加信息内容的全过程，而附加信息内容一般做为处罚项添加到最优控制全过程中，以减少模型的复杂性。繁杂的模型通常没法非常好地线性拟合训炼数据信息，但没法线性拟合不明数据信息。损失函数内嵌正则化技术性，以“处罚”主要参数太多的模型。“正则化”的意思是要让预测更为“标准”或更可接纳，让模型更能融入不明的数据信息。

线性回归、Logit重归等线形模型在传统计量经济学拥有 广泛运用，但在计量经济学中线形模型拥有 较强的假定，例如同标准差、不会有多重共线性等，这种假定在实际中难以完成。这就造成 计量经济模型都存有过拟合状况。根据在计量检定模型添加处罚项能够非常好处理计量经济模型中不可以达到假定的状况，能够非常好处理模型过拟合状况。

3.马氏链蒙特卡洛方式 。马尔可夫链蒙特卡洛方式 (MCMC)是一组用马氏链从随机分布抽样的优化算法，以前流程的做为底本。它从持续随机变量建立样版，其概率密度与已知函数正相关。它能合理处理数据统计分析中样版不够的难题。在传统的计量经济学中，数据信息样版的获得和样版品质的优劣对实证研究結果拥有 关键的危害。实际中，样版不但在获得上存有艰难，并且获得的样版品质上通常良莠不齐。因而，MCMC能合理处理计量经济学中样版不够的难题。

四、结论与展望

「机器学习」机器学习在计量经济学中的运用，伴随着电子信息技术的发展趋势和互联网大数据的盛行，机器学习与别的课程行业结合会愈来愈多，而传统计量经济学与机器学习拥有 一同的理论基础和同样的研究思路。将机器学习的方式 和现代性应用于计量经济学中，既能够合理处理传统计量经济学强过表述而疏忽预测的不够，还可放开传统计量经济学过度苛刻的基础理论假定，让基础理论模型更接近于实际。除此之外，机器学习更为重视模型的预测工作能力，而不是模型的可解释性，因此大幅度降低了学者的基础理论门坎。