🧠
Машинное обучение в экономике: препятствия, мифы и светлое будущееМашинное обучение постепенно входит в эмпирическую практику экономистов — от отбора переменных до оценки индивидуальных эффектов воздействия. В академической экономике это движение встречает заметное сопротивление. По мнению Беатрис Гитнер (University College Dublin),
источники этого недоверия кроются в фундаментальных интеллектуальных барьерах:🟤Ортодоксии — укоренившейся приверженности линейным моделям, ручной спецификации и классическим подходам, даже когда они не подходят к данным
🟤Пуризме — идеале «чистой» идентификации, где любое отклонение от RCT или строго структурных моделей считается снижением научной добродетели
🟤Недопонимании — представлении, что машинное обучение — это исключительно про прогноз и не применимо для каузального анализа
В этом посте, основанном на публикации в
блоге Беатрис Гитнер, мы разберём наиболее популярные мифы об ML в экономике, предложим контраргументы и в финале расскажем о свежей важной обзорной работе в сфере ML и causal inference
↔️ Миф 1: ML — это только про прогноз, а не про причинно-следственный анализСовременный причинный вывод активно использует ML как инструмент оценки вспомогательных (nuisance) функций (условных ожиданий, вероятностей назначения, и т.п.) в рамках строго идентифицированных моделей
🟤Double/Debiased Machine Learning
(Chernozhukov et al., 2018): позволяет получить √n-состоятельные оценки с корректной инференцией
🟤Causal forests
(Athey, Wager, 2019): оценивают гетерогенные эффекты при слабых предпосылках
🟤Meta-learners
(Kunzel et al., 2019): формализуют оценку индивидуальных эффектов воздействия
Эти подходы позволяют совмещать гибкость ML с требованиями строгой причинной идентификации
↔️ Миф 2: ML — это «чёрный ящик»Многие считают, что ML-модели сложно интерпретировать, а значит они бесполезны для научного исследования. Но интерпретируемость ≠ линейность. Современные инструменты позволяют:
🟤извлекать локальные и глобальные эффекты переменных (например, через SHAP или LIME)
(Lundberg, Lee, 2017)🟤оценивать гетерогенность эффектов (causal forest)
🟤формализовать вклад ковариат в treatment effect (meta-learners, feature importance в policy models)
Интерпретируемость в ML — это вопрос правильно выбранного инструмента и научной задачи
↔️ Миф 3: ML нарушает стандарты статистического выводаРанние версии ML действительно не обеспечивали достоверного статистического вывода (inference): стандартные ошибки, доверительные интервалы, p-значения были недоступны. Но в последние годы это изменилось. ML в каузальном анализе сопровождается:
🟤Neyman-ортогональностью (устойчивость к ошибкам оценки вспомогательных параметров)
(Chernozhukov et al., 2018; Ahrens et al., 2025)🟤Sample splitting / cross-fitting (устранение смещения от переобучения)
🟤Bootstrap-инференцией или post-selection methods для доверительных интервалов
Результат — ML-подходы, совместимые с классической инференцией и теорией оценивания
↔️ Миф 4: ML не позволяет делать обобщения и policy-выводыML предоставляет именно те инструменты, которых не хватает классической эконометрике, например:
🟤Causal forests и X-learners оценивают индивидуальные эффекты воздействия (CATE)
(Athey, Wager, 2019; Kunzel et al., 2019)🟤Policy learning позволяет вывести, кому и при каких условиях нужно рекомендовать интервенцию
(Athey, Imbens, 2019)То есть ML не мешает, а расширяет возможности вывода для политики
↔️ Что почитать?Если вы хотите разобраться, как применять ML в причинной эконометрике, начните со свежего июньского обзора
(Ahrens et al., 2025), среди авторов которого Виктор Черножуков и Кристиан Хансен
Если же вы хотите не только понять, но и научиться применять эти методы на практике, начните с сайта авторов обзора
dmlguide.github.io, проектов
Causal ML Book от Виктора Черножукова с соавторами и
Dive into Causal Machine Learning от команды, которая перерабатывает учебные материалы ведущих ученых на разные языки программирования, а также
учебных материалов Мадины Курмангалиевой
#канал_обозревает
#канал_рекомендует
@causal_channel
