Machine Learning in Economics

1月 22, 2020 0 Comments

広報:  2018年から始まった講義「経済学における機械学習 (Machine Learning in Economics)」です。 受講した東京国際大学E-track学部生の中には、卒業後にイギリスでデータサイエンスの修士号・博士号を勉強している人もいるし、IT企業のFacebookに採用された人もいる。

科目授業名: Machine Learning in Economics

授業内容: この授業では、デ一タサイエンス、機械学習や経済学における因果推論のためのこれらの手法の使用について議論する。 ビッグデ一タでの実証研究の難しいところは、良い質問をし、良いデ一タを出すこである。 この目的のために、まずは、経済学における機械学習のすぐに使える従来のアプリケ一ションの例を解説する。 次に、機械学習と因果推論を組み合わせた新しい計量経済学の文献から、因果機械学習といった手法とそれなりの実証的研究を順次取り上げる。 Rのコ一ドスクリプトによる5つの課題とグル一ププロジェクト発表を完了することによって、授業で教えられた技能と知識を習得する。

The course discusses machine learning as well as the use of these methods for causal inference in economics. The challenging part of empirical research in a data-rich environment is to raise good questions and do good data. To this end, we go through examples of the initial off-the-shelf applications of machine learning to economics. We then present highlights and empirical studies from the emerging econometric literature combining machine learning and causal inference. Mastery of techniques taught in classes demonstrated through the completion of 5 assignments and a term-paper presentation.

授業の狙い: デ一タサイエンティストに必要な技術と知識 (とりわけ機械学習を用いた因果推論) を高度に活用し、デ一タを扱う能力、プログラミング能力を身につける。

You will finish the course equipped with a workman’s familiarity with the causal machine learning techniques, facility with data handling, and programming.

教科書 Textbooks:

IMG_3086

ML traffic light

授業計画[30回]:

  1. ♛Introduction – ML in Econ – part I + part II; ♝Causal inference flowchart; ♜Introduction – The importance of being causal (Harvard Data Science Review)
  2. Do good data: Causal inference meets big data 因果推論とビッグデ一タの出会い [Twitter 與 Amazon 接續發文 (T短文・A短文) 說明他們如何運用今年(2021年)諾貝爾經濟獎得主 David Card,  Josh Angrist, and Guido Imbens 的研究改善公司營運與了解策略方法。Twitter 除了說明公司內部如何使用得獎三人的研究方法外，還特別說明他們使用 Susan Athey 開發的計量方法，另也有使用 Victor Chernozhukov 開發的 DML 改善公司的營運方針。]
  3. Regression – estimation and prediction 回帰 – 推定と予測
  4. The inference problem for linear regression 線形回帰における不確実性 – 統計的推論
  5. Hands-on data analysis ハンズオンデ一タ分析 (1)
  6. Logistic regression ロジスティック回帰
  7. Modern linear regression for high-dimensional data 高次元デ一タのための現代的な線形回帰
  8. Regularization 正則化
  9. Double selection method ダブルセレクション法
  10. Hands-on data analysis ハンズオンデ一タ分析 (2)
  11. Decision trees 決定木
  12. Bagging バギング
  13. Boosting ブ一スティング
  14. Random forests ランダムフォレスト
  15. Hands-on data analysis ハンズオンデ一タ分析 (3)
  16. Classification 分類
  17. Factor models 因子モデル
  18. Hands-on data analysis ハンズオンデ一タ分析 (4)
  19. Identification 識別戦略
  20. Estimation frameworks 推定フレ一ムワ一ク
  21. GMM 一般化モ一メント法
  22. Experiments (RCT, CIA, IV, DD, RD) 実験
  23. Computational applications to behavioral science [Stanford GSB]
  24. Causal trees and causal forests [video – S. Wager] コウザルツリ一、コウザルフォレスト
  25. Generalized random forests [R package] 一般化ランダムフォレスト
  26. ① Background info: computational applications to behavioral science、② Implementing causal forests and policy learning: ML-based causal inference tutorial with R programing
  27. Double machine learning [R and Python packages] [video – V. Chernozhukov] 二重バイアス除去機械学習
  28. Hands-on data analysis ハンズオンデ一タ分析 (5)
  29. Artificial intelligence versus structural estimation in economics 組み合わせた融合領域: 構造計量経済学、AI、DAG
  30. Contextual Bandit コンテキストバンディット
  31. Students’ term-paper presentations グル一ププロジェクト発表

Evaluation Components

  • Students will do 5 assignments (60%). In addition, students will be asked to demonstrate their analytical solutions or computer-based solutions to their fellow students.
  • a term-paper presentation (40%).

Advanced seminars – ML in Econ, Part II

カテゴリーUncategorized