Econometria e machine learning, confronto tra teoria ed efficacia empirica

Ricerca GenAI - Un futuro imminente, ma solo il 3% delle aziende ha completato l'implementazione

Come superare le limitazioni dell’econometria tradizionale con il machine learning per affrontare problemi economici complessi e migliorare la precisione delle previsioni

Perché gli economisti continuano ad usare l’econometria nonostante l’avvento dell’intelligenza artificiale e quindi del machine learning? Secondo ChatGpt4, gli economisti continuano a utilizzare l’econometria piuttosto per quattro ragioni principali. La prima è l’interpretabilità. “Molti modelli di machine learning sono altamente sofisticati e complessi, e possono essere difficili da interpretare. Gli economisti sono spesso interessati a capire il perché di un certo fenomeno, e la capacità di interpretare un modello è fondamentale per raggiungere questo obiettivo”. La seconda è collegata ai dati limitati. “In molti casi, gli economisti lavorano con dati limitati, incompleti o rumorosi. In queste situazioni, l’econometria può essere più appropriata poiché si basa su modelli statistici che possono essere adattati ai dati disponibili, mentre il machine learning richiede spesso grandi quantità di dati di alta qualità per funzionare correttamente”.

TI PIACE QUESTO ARTICOLO?

Iscriviti alla nostra newsletter per essere sempre aggiornato.

Terza ragione, obiettivi specifici. “Gli economisti spesso lavorano su problemi specifici e cercano di rispondere a domande precise. In queste situazioni, l’econometria può essere più appropriata poiché consente di costruire modelli specifici per il problema in questione. D’altra parte, il machine learning è spesso utilizzato per risolvere problemi di natura più generale”. E per finire, la tradizione. “L’econometria è una disciplina consolidata e ben sviluppata, con una lunga tradizione di ricerca e sviluppo di modelli statistici. Gli economisti sono spesso formati in econometria e quindi hanno familiarità con questa disciplina”.

Tuttavia, è importante – fa notare ChatGpt4 – che sempre più economisti stanno iniziando a utilizzare tecniche di machine learning per affrontare problemi economici. “In particolare, il machine learning sta diventando sempre più popolare nel campo del data mining, dove l’obiettivo è quello di identificare schemi nei dati”.

Leggi anche:  Anche Reddit adotterà l’IA generativa

DIFFERENZE E COMPLEMENTARITÀ

ChatGpt4 ci è stata di aiuto, ma torniamo un attimo indietro. Agli anni Trenta. Qual è il significato della parola econometria? E perché ha avuto e continua ad avere terreno fertile soprattutto tra gli economisti? Nel 1933 viene pubblicato il primo numero della rivista scientifica Econometrica, fondata dalla Econometric Society, il cui obiettivo – come si può leggere nell’editoriale – è di promuovere lo sviluppo e l’applicazione di metodi quantitativi in economia, in modo da unificare gli aspetti teorici e empirici della disciplina, secondo il metodo scientifico. Quindi, il termine econometria si riferisce a una disciplina basata sull’applicazione di metodi statistici e matematici per l’analisi di dati economici con l’intento di dare riscontro empirico alle teorie economiche. E si compone dell’unione di matematica, statistica, teoria economica e di aspetti computazionali. E su cosa si basa? Sullo studio formalizzato di modelli economici. Ovvero una rappresentazione schematizzata della realtà di un fenomeno economico. Ed è proprio su questo concetto che si basa l’incongruenza tra econometria e machine learning.

In estrema sintesi, gli economisti vogliono e devono saper spiegare il perché di un determinato fenomeno economico. Utilizzando il machine learning, può essere difficile comprendere il motivo per cui la macchina ha prodotto determinati output rispetto ad altri. Inoltre, a differenza dell’econometria, l’obiettivo principale del machine learning è la previsione piuttosto che la spiegazione del fenomeno in questione. Una differenza fondamentale tra machine learning ed econometria risiede dunque nella base teorica. Gli algoritmi ecometrici sono matematicamente robusti e dimostrabili, mentre nel machine learning la matematica non è assente, anzi, ma esiste per spiegare il comportamento generale dell’algoritmo e non per dimostrarne l’affidabilità. In questo caso, si valuta principalmente l’efficacia empirica. Sappiamo come l’occhio umano e anche modelli matematici statici non siano in grado di cogliere molte informazioni nascoste nei dati e soprattutto la loro complessità e varietà di interazioni. Proprio per questo motivo, l’econometria ha bisogno del supporto dell’intelligenza artificiale e soprattutto del machine learning.

Leggi anche:  Wittur innova il procurement con Jaggaer

ECONOMETRIA 2.0

Scomodo nuovamente ChatGPT4 e gli chiedo In che modo l’econometria può beneficiare dal machine learning e dall’uso di intelligenza artificiale. La risposta è la seguente. “L’econometria può beneficiare molto dall’uso del Machine Learning (ML) e dell’Intelligenza Artificiale (IA), poiché queste tecnologie consentono di affrontare molte sfide che si presentano nella modellizzazione dei dati economici. in primo luogo, l’IA e il ML possono aiutare a migliorare la qualità dei dati utilizzati nei modelli econometrici. Per esempio, l’IA può essere utilizzata per identificare e correggere gli errori nei dati, per ridurre la dimensione dei dati ridondanti o per generare dati sintetici che possono essere utilizzati per ampliare il set di dati disponibili.

In secondo luogo, l’IA e il ML possono essere utilizzati per creare modelli econometrici più accurati e complessi. Per esempio, l’IA può essere utilizzata per identificare le relazioni tra le variabili economiche che possono essere difficili da individuare con i metodi tradizionali di analisi dei dati.

In terzo luogo, l’IA e il ML possono essere utilizzati per automatizzare molte delle attività associate alla modellizzazione economica, come la selezione delle variabili, la stima dei parametri e la verifica dei modelli. Ciò consente agli economisti di dedicare più tempo all’interpretazione dei risultati e alla progettazione di politiche basate sui risultati delle analisi. Infine, l’IA e il ML possono essere utilizzati per prevedere il comportamento futuro dell’economia e per progettare politiche economiche più efficaci. Per esempio, l’IA può essere utilizzata per prevedere i cambiamenti nei mercati finanziari o per identificare i rischi associati alle politiche economiche proposte. In sintesi, l’IA e il ML offrono molti vantaggi per l’econometria, tra cui una migliore qualità dei dati, modelli più accurati e complessi, maggiore automazione e la capacità di prevedere il comportamento futuro dell’economia”. Seguendo questo copione, la Bank of Canada ha pubblicato uno studio dal titolo “Macroeconomic predictions using payments data and machine learning” con l’intento di dimostrare che i modelli di machine learning siano in grado di affrontare in maniera più efficiente alcune sfide economiche.“In conclusion, this paper substantiates the use of payments data and ML models for macroeconomic prediction and provides a set of econometric tools to overcome associated challenges”.

In pratica, ci sono ancora pochi studi che abbracciano le due discipline. L’econometria ha una lunga tradizione ma questo non significa assolutamente che sia diventata obsoleta. Ha però bisogno anche di un vestito nuovo, di innovarsi, il che non significa tralasciare l’aspetto dimostrativo, quanto allargare il proprio campo di azione con l’aiuto dell’innovazione tecnologica. Soprattutto per mappare in maniera più profonda la realtà economica e sociale. Sempre più complessa e vivace. Parafrasando la famosa citazione di Darrell Huff del 1954, si dice che se si stressano i dati a lungo, essi rilevano ogni cosa. E i dati non rilevano molto se stressati da un unico modello. O almeno non più.

Leggi anche:  SAS acquisisce il software di dati sintetici Hazy per potenziare il portafoglio di intelligenza artificiale generativa