经济学（劳动、卫生等应用微观计量领域）为什么没能广泛应用人工神经网络算法等机器学习的算法？ 第1页

克拉克奖获得者苏珊.阿瑟说过一句话就可以概括了：神经网络的预测能力强，但是解释力差，而传统计量的解释力强，预测力弱。工程重预测，经济学重解释。

题主说一定要有模型，这个倒未必，很多计量也可以是探索性的，自变量因变量设定一下，先跑一个线性回归看看显著性，很多研究都这么开始的。但是计量的好处在于，回归结果出来之后，不管解释了因变量变化的百分之几，但是估计值就在哪里放着，哪个变量显著，哪个变量不显著，哪个变量更重要，可谓是一目了然。然后我们就可以或者用现有理论来解释回归结果，或者提出新的解释。

但是神经网络高度非线性，往往就是把参数输入进去，然后输出一个预测结果，一般来说，我们比较的是预测的精度，预测越准，我们认为这个算法越好。但是经济学家需要回答的是为什么。因为高度的非线性，各种参数之间在神经网络内部互相纠缠，我们只知道最后的结果是好的，但是无法把这个预测掰开了，揉碎了告诉大家，分别来自于哪个参数的作用。

在工程上，往往需要的是结果，所以预测准就够了，就能够用来开发诸如在线推荐系统等等基于机器学习的应用了，但是经济学需要的解释经济现象背后的原理，为什么这么准呢？目前还是需要用经典的计量来解释更有效。

苏珊.阿瑟本人有计算机本科学历的背景，对机器学习的各种比较工程的方法不排斥，并且在联通机器学习和计量经济学方面做了很多的工作。有兴趣去她的主页看看：Susan Athey

比如这篇文章 Machine Learning for Estimating Heretogeneous Casual Effects 就很有意思。