Tinbergenlezing 2020

Kijk, er zijn ook voordelen: ik hoefde niet door de beveiliging van de Nederlandsche Bank en mijn badge (die ook niet nodig was) werd niet gecontroleerd op de juiste sticker. Maar toch, alles bij elkaar, zie ik de Tinbergenlezing liever in het echt en niet thuis op een laptop.

En je kunt je afvragen of het nodig is om op Twitter verslag te doen van de lezing als gebruikers ook direct kunnen inschakelen om mee te luisteren. Maar omdat we er vanuit gaan dat we volgend jaar weer in de zaal zitten, zou het jammer zijn om de traditie te onderbreken. Daarom hieronder het gebruikelijke verslag van een (onder de omstandigheden) prima lezing. De oude Tinbergen kan trots zijn.

Sendhil Mullainathan (in het vervolg aangeduid als “de spreker”) werkt aan de universiteit van Chicago en gaat spreken over machine learning. #Economenweek

Achtergrondartikel in ESB: https://esb.nu/esb/20061695/interview-met-sendhil-mullainathan-met-kunstmatige-intelligentie-kunnen-economen-wel-voorspellen

Eerder over machine learning:

We gaan van start. Plichtplegingen van Robert Dur gaan in hoog tempo, helaas geen applaus voor de organisatoren dit jaar.

Veel schaalvoordelen in de logo’s van de sponsors.

Goede inleiding, met intrigerende economische kwesties die de spreker heeft bestudeerd.

Tijd van Tinbergen was “wild”, alles moest nog worden uitgevonden.

Maar is die tijd wel voorbij? We zijn nog maar 60 jaar bezig met het werken met economische data in de traditie van Tinbergen.

Nee dus: het is nog steeds het Wilde Westen. Lezing zal gaan over ontwikkelingen.

Introductie: machine learning lijkt erg op wat econometristen al doen. Maar de aanpak is anders, het kiezen van het model is onderdeel van de optimalisatie.

Het gevaar van optimaliseren over modellen is overfitting.

Maar er zijn wel degelijk out of sample verbeteringen.

Is machine learning altijd beter dan lineaire modellen? Hang ervan af of je bezig bent met “prediction” of “estimation” (schatten).

Bij schatten probeer je een parameter te vinden, het effect van een exogeen.

“prediction” maalt niet om effecten, alleen om de voorspelling.

Dus wie machine learning gebruikt, vindt geen parameters. Het model is niet stabiel.

Maar je krijgt wel een voorspelling die vaak redelijk goed werkt.

In econometristentaal: het gaat om de y^, niet om de beta^.

Wat kunnen economen met ML?

1. Nieuwe data gebruiken. Bijvoorbeeld satellietfoto’s omzetten naar economische data. Idem voor tekst, telefoondata, google searches. ML zet het om in data die economen kunnen gebruiken.

2. Beleid gaat vaak over causaliteit – klassieke econometrie. Maar niet alle beleid. Soms wil je gewoon weten wat er gaat gebeuren. Voorbeeld: is een arrestant gevaarlijk of kan hij thuis de zitting afwachten? Snelheid en accuratesse is belangrijk; ML kan helpen.

en dan 3. blind toepassen ML is niet zonder gevaar. Selectie-bias, datakwaliteit en selecteren doelfunctie zijn serieuze problemen.

Economen hebben daar veel ervaring mee en kunnen helpen bij implementatie.

Ik was te snel – dat was toepassing 2.5

toepassing 3: ML levert bijdrage aan bestaande inzichten uit de theorie. Voorbeeld: artsen schrijven teveel testen voor, da’s bekend. Maar (vindt ML) ook te weinig voor de echte risicogevallen.

Vragen nu.

Wordt er iets gedaan met het onderzoek naar gevangenen? Ja; maar je moet erg oppassen met de implementatie. Bedrijven hebben niet altijd de juiste prikkels, overheden herkennen kwaliteit niet altijd.

Transparantie in beslissingen? Spreker bekijkt het van de andere kant: mensen die beslissen zijn ook niet transparant. Een algoritme kun je nog systematisch testen, mensen niet.

Problemen met data, bias in algoritmes? Blijkt dat data bias geen probleem hoeft te zijn; bij de juiste beslisregel kan ook problematische dataset gebruikt worden.

Wat zijn de beste onderzoeksonderwerpen? Verbeteren denkkracht van mensen (!) en Informatica en economie.

Is er een parallel met de tijd van Tinbergen? Ja: T moest ook de architectuur van de economische data uitvinden. Nu speelt er weer zoiets: nieuwe activiteiten hebben nieuwe data nodig, die er nog niet is. Gevaar: lessen geleerd door economen moeten opnieuw geleerd worden.

Einde. Het Makkumer bord wordt opgestuurd en komt hopelijk heel aan in Chicago.

En nu: geen borrel. <verdrietige smiley>

Goed weekend!

Originally tweeted by eco.nomie.nl (@eco_nomie_nl) on 20 November 2020.

Auteur: Thijs

Econoom. Krantenlezer. Stuurman aan wal.