Ekonomi zirvesi ekonometri mi? Dudaklarımı oku - Öyle değil!
5 Aralık, 14:53 2013 | Yayınlanan İstatistiklere & Ekonometri | 10 Yorumlar
Ve ekonomistler - - sosyal bilimciler olarak biz belirsizlik ve rasgelelik işlemek için nasıl önemli soruyu yüzleşmek zorunda. Biz olasılıkla rastgeleliğine tanımlamak gerekir? Ve aslında, sıkı olması, hiç yok - - Böyle belirtmeden sistem-Bunu yaparsak, biz olasılıkları konuşulan olamaz çünkü biz de, nomological olasılık makinelerin varlığını varsayar zorunda rastgele konuşmak için olduğunu kabul etmek zorunda bağlamlarda. Olasılık teorisi ve sonsuz nüfus örnek alan Haavelmo etki alanını kabul - sadece Fisher'ın "gerçek veri rastgele bir örnek oluşturduğu kabul edildiği hipotetik sonsuz nüfus" olarak, von Mises en "toplu" veya Gibbs adlı "ensemble" - da ima yargılar Aslında yapılan hiçbir zaman gözlemlere dayanarak yapılır!
Sonsuz tekrarlanan denemeler veya örneklemeleri gerçek dünyada yer almak asla. Yani gerçek dünya sosyo-ekonomik süreçleri, yapıları veya olayları açıklayan özlemleri ile bir bilim için sağlam bir endüktif temeli olamaz. Bu savunulabilir değil.
David Salsburg seferinde belirttiği gibi - onun güzel de Lady Tadım Çay - olasılık teorisi üzerine:
Olayların soyut alanı üzerinde bir ölçü belli aksiyomlarını uyuyorsa [W] e 'olaylar' olarak adlandırılan temel şeyleri soyut bir alan olduğunu varsayalım ..., o bir olasılık olduğunu. Gerçek hayatta olasılığını kullanmak için, olayların bu alanı tanımlamak ve bize aslında bu alan üzerinde olasılık ölçümleri hesaplamak için yeterli özgüllük ile bunu ... Biz [bu] arka alanı, istatistik ortaya olasılık ifadeleri tanımlamak sürece var analizler çok farklı ve bazen aykırı anlamlara sahip olacaktır.
Ekonomistler ve ekonometriciler dahil - - eleştirmeden ve argüman olmadan sadece biri kendi alanının üzerinde istatistiksel teorisi olasılık dağılımları uygulayabilirsiniz varsaymak gelmiş sadece eg John Maynard Keynes ve Nicholas Georgescu-Roegen gibi, Salsburg sosyal bilimciler şekilde çok kritik araştırma:
Olasılık olayların bir arka alana setleri bir ölçüsüdür. Olasılık tüm matematiksel özellikler bu tanımdan türetilmiştir edilebilir. Gerçek hayata olasılık uygulamak istediğimizde, eldeki belirli bir sorun için o olay soyut alanını tespit etmek gerekir ... istatistiksel yöntemler gözlemsel çalışmalar için kullanılan zaman iyi kurulmuş değildir ... biz üretmek olayların alanı tespit edemiyorsanız olasılıklar sonra bir modeli yok başka daha geçerli olduğu hesaplanırken, ... istatistiksel modeller devlet ve savunma grupları ile sosyal kararlara yardımcı olmak için gözlemsel çalışmalar için daha fazla ve daha fazla kullanıldığı gibi, belirsizlik olmadan olasılıkları elde edebilmek için bu temel başarısızlık döküm olacak Bu yöntemlerin kullanışlılığı üzerinde şüphe.
Bu daha da önemlisi bu veri tatmin göstermez eğer anlamına gelir hepsi normal eğrisine karşılık gelen sapmaların dağılımı örneğin dahil - - O istatistiksel çıkarımlar, eksikliği sağlam temeller kullanılan olasılık nomological makinenin koşulları.
Onun büyük kitap yılında Sosyal Bilimler ile Diyalog: İstatistiksel Modeller ve nedensel Çıkarım da para savurma ve rulet tekerleği (vurgu) gibi aşırı basit nomological makineleri dışında istatistiksel modeller uygulamak çalıştığınızda ortaya çıkan, bu temel sorunlar üzerinde dokundu David Freedman:
Tabii ki, istatistiksel modeller para savurma değil, aynı zamanda, daha karmaşık sistemler sadece uygulanır. Aşağıda gösterildiği gibi, örneğin, "regresyon modelleri" yaygın sosyal bilimlerde kullanılan bu tür uygulamalar ciddi epistemolojik soruları gündeme ...Bir vaka çalışması çok uzaklara bizi alacaktı, ama stilize bir örnek - maaşlarına cinsiyet ayrımcılığı göstermek için kullanılan regresyon analizi - fikir verebilir.Için 1 değerini alan eğitim (tamamlanmış, okullaşmanın yıl), deneyim (firma ile yaş), ve kukla değişken "adam": Biz maaşları bir firmada çalışanların (yılda dolar) tahmin etmek için bir regresyon modeli kullanın kadınlar için erkek ve 0.Çalışanlar simge i endeksli, örneğin, maaş i , i'inci çalışanın maaş. Denklemi(3) maaş i = a + b * eğitim i c * deneyimi + i + d * man i ε + i .Denklem (3) bilinmeyen parametreler ile veri için bir istatistik modeli, a, b, c, d, burada, bir "kesişim" ve diğerleri "regresyon katsayıları" vardır; ε igözlemlenemeyen hata terimdir. ... Diğer bir deyişle, bir çalışanın maaş bilgisayar ile sanki belirlenir(4) a + b + c * eğitim * deneyimi + d * man,sonra bilet bir kutudan rastgele çizilmiş bir hatayı ekleyerek. Ekran (4) açıklayıcı değişkenler (eğitim, deneyim, insan) verilen maaş için beklenen değeri; (3) hata terimi beklenen sapmalar gösterir.(3) yer alan parametreler kullanılarak en küçük kareler verilerden tahmin edilmiştir. Kukla değişken için tahmin edilen katsayı d pozitif ve (bir "t-testi" ile) "anlamlı" olduğu ortaya çıkarsa, o farklı etkisinin bir kanıtı olarak alınacaktı: erkekler bile farklılıklar için düzeltme yapıldıktan sonra, kadınlardan daha fazla kazanmak üretkenliği etkileyebilir arka faktörler. Eğitim ve deneyim (3) tam da bu ayar arka farklılıkları yapılmış iddia amacıyla ", istatistiksel kontroller" olarak ... denklemin içine girilirΕ bağımsız ve aynı kişiden veri setinde kişiye dağıtılan olduğunu - - Hata terim hakkında hikaye istatistiksel anlamlılık işlem için kritik olduğu ortaya çıkıyor.Istatistiksel anlamlılık tespit edilebilir ve sürece Ayrımcılık regresyon modelleme tarafından ispat edilemeyen konvansiyonel önvarsayımların gözlenemeyen hata terimleri hakkında yapılmadıkça istatistiksel anlamlılık tespit edilemez .Tipik regresyon modelinin arkasında gizlenen bu varsayımların bir dizi bulunabilir olacak; onlar olmadan, meşru çıkarımlar modelden çizilmiş olamaz. Bu varsayımlardan bazılarını test etmek için istatistiksel prosedürleri vardır. Ancak, testler genellikle önemli hataları tespit etmek güç eksikliği. Ayrıca, model test dairesel olabilir; varsayımlar arızalar tespit edilir ve modeli karşılamak için yeniden tanımlandı. Kısacası, sorunları gizleme modeli binanın büyük bir hedefi haline gelebilir .Geleceğin tahminler, veya müdahalelerin sonuçlarını yapmak modelini kullanarak, değerli bir düzeltici olacaktır. Yerine aynı veri seti tekrar tekrar uydurma iyileştirmeler - - Bir veri kümelerinin çeşitli modelini test olabilecek bir iyi bir ikinci en iyi ... ayrımcı olmayan davranış için bir model denklemi içine Yılı: katsayısı d kaybolur. Şirket ayrımcılık varsa, modelin bu kısmı hiç geçerliliği olamaz.(3) gibi regresyon modelleri yaygın nedensel çıkarımlar yapmak için sosyal bilimciler tarafından kullanılan bu tür modeller artık Karşı Olgular gösteren neredeyse rutin bir yoldur. Ancak, "gösteriler" genelde denenmemiş, hatta ayrıntısız, teknik bir dizi bağlıdır çıkmak varsayımlar . Koşullar altında, model çıktıları üzerinde güven oldukça haksız olabilir. Biraz daha hassas doğrulama fikirlerini yapma bilim felsefesinde ciddi bir sorundur. Modeller gerçeğe karşılık gerektiğini, tüm sonra, faydalı fakat tamamen basit değil bir fikirdir - ona bazı tarihi ile. Uygun modeller geliştirmek istatistiklerinde ciddi bir sorundur, olayların bağlantısını test daha ciddi ...Bizim günlerde, ciddi argümanlar verilerinden yapılmıştır. Veri analizi ile bağlantısı sık sık kurulacak kalsa güzel, narin teoremleri, kanıtlanmıştır. Vekurgu büyük bir miktar titiz bilim kılığına girmiş, üretilmiştir .
Bu yeterli değildi sanki Ve, bir de ciddiye bu istatistiksel ve ekonometrik modeller sonuçta dayalı "nüfus" ne tür bir merak olabilir. Neden biz sosyal bilimciler olmalı - ve saf değil, matematikçiler, gerçek hedef sistemleri ile modelleri yüzleşmek için dürtü olmadan formel aksiyomatik sistemleri ile çalışan - sorgusuz sualsiz Haavelmo en "sonsuz nüfus" kabul, Fisher "varsayımsal sonsuz nüfus", von Mises en "toplu" veya Gibbs adlı "ensemble"?
Tabii ki gerçek nüfus rastgele numune olarak bizim gözlemsel veya deneysel verileri tedavi olabilir. Ben ile bir sorunum yok. Ama olasılık ekonometri popülasyonlarının bu tür yetinmesi değil. Bunun yerine "paralel evrenler" hayali nüfusunu oluşturur ve bizim veri nüfus bu tür rastgele örnekler olduğunu varsayıyorum.
Ama bu aslında başka bir şey ama el sallayarak! Ve bu gerçek bilim için yetersizdir. David Freedman de yazıyor İstatistiksel Modeller ve nedensel Çıkarım (vurgu eklenmiştir):
Bu yaklaşım ile, araştırmacı açıkça zaman ve para sınırsız kaynaklara sahip, prensip olarak incelenebilir bir nüfusa tanımlamaz. Araştırmacı sadece varsayarböyle bir nüfus, bazı kötü tanımlanan anlamda varolduğunu. Ve bir başka varsayım analiz edilen veri seti tedavi edilebilir olduğunu, orada sanki o kabul nüfus rastgele bir örnekleme dayanarak yapılmıştır. Bunlar uygun kurgular vardır Bununla birlikte, hayali nüfus bağımlılığı yaygın .... Nitekim regresyon modelleri yaygın kolaylık örnekleri analiz etmek için kullanılır ... veri oluşturulan nasıl anlayış zorunluluğundan araştırmacı özgür görünüyor, çünkü hayali nüfus söylemi baştan çıkarıcıdır .
