Discussion: 神经网络与计量经济模型对比分析

点赞发Nature
关注中Science

近年来，机器学习技术迅速发展并在经济及金融领域得到了日益深入的应用。在这些应用中，基于深度学习的神经网络算法因其卓越性能而脱颖而出。近期阅读了一些相关文献后发现，在现有研究中对这一技术的探讨相对集中于理论层面。因此本文旨在对神经网络方法进行概述，并将其与计量经济学的方法作对比分析。

首先需要阐述比较神经网络方法和计量经济学方法的目的。我们了解，在构建计量经济学模型时会设定解释变量与被解释变量之间的初始函数关系（通常为线性关系），并基于实际数据进行经验拟合以确定关键参数。由此可获得基于经验的解释变量与被解释变量之间的相互关联模式。进一步而言，在此基础上能够预测未来被解释变量的发展趋势，并据此向相关领域的决策者提供相应的政策建议。

以神经网络模型为例，在其利用经验数据的过程中

说明

通过简单的功能定义可以看出, 它们都建立在经验数据的基础上, 估计被解释变量与各解释变量之间的数学关系, 并通过建立模型得到拟合结果, 并利用该模型预测未来被解释变量的变化情况。这其实就是回归分析法的基本思路。

那么，问题来了，他们的不同是什么呢？一下简单陈述一下二者的优劣：

计量经济学模型：
经过数十年的发展历程, 计量经济学模型已衍生出一系列复杂且实用的模型类别, 以适应不同领域的研究需求。涵盖从单变量回归到多变量回归等技术, 进一