中國(guó)網(wǎng)/中國(guó)發(fā)展門(mén)戶網(wǎng)訊 在數(shù)智時(shí)代，大數(shù)據(jù)與人工智能改變了經(jīng)濟(jì)主體行為與經(jīng)濟(jì)運(yùn)行方式，也改變了經(jīng)濟(jì)學(xué)研究范式。大數(shù)據(jù)為人類提供了認(rèn)識(shí)與改造世界的新思維，即大數(shù)據(jù)思維，這是通過(guò)大數(shù)據(jù)發(fā)現(xiàn)復(fù)雜系統(tǒng)的運(yùn)行規(guī)律、解決現(xiàn)實(shí)問(wèn)題、預(yù)測(cè)未來(lái)變化的新范式；大數(shù)據(jù)思維的實(shí)現(xiàn)方式主要基于人工智能技術(shù)與方法。現(xiàn)代經(jīng)濟(jì)學(xué)的主流研究范式是實(shí)證研究，即以數(shù)據(jù)為基礎(chǔ)推斷經(jīng)濟(jì)變量之間的邏輯關(guān)系，特別是因果關(guān)系，從而揭示經(jīng)濟(jì)運(yùn)行規(guī)律；計(jì)量經(jīng)濟(jì)學(xué)是其最主要的方法論。大數(shù)據(jù)的可獲得性進(jìn)一步強(qiáng)化了這種研究范式。大數(shù)據(jù)與人工智能催生了數(shù)據(jù)驅(qū)動(dòng)研究范式，計(jì)算社會(huì)科學(xué)也因此應(yīng)運(yùn)而生。那么，人工智能前沿技術(shù)特別是新近誕生的聊天機(jī)器人ChatGPT及其基礎(chǔ)模型技術(shù)的發(fā)展將如何改變經(jīng)濟(jì)學(xué)乃至社會(huì)科學(xué)的研究范式？

ChatGPT及其大語(yǔ)言模型方法論

近幾年來(lái)，人工智能特別是利用人工智能技術(shù)生成內(nèi)容的技術(shù)獲得迅猛發(fā)展，其中一個(gè)代表性技術(shù)進(jìn)步是通用型聊天機(jī)器人ChatGPT的成功開(kāi)發(fā)并投入使用。ChatGPT是一種基于互聯(lián)網(wǎng)文本數(shù)據(jù)進(jìn)行訓(xùn)練的文本生成深度學(xué)習(xí)模型，并通過(guò)強(qiáng)化學(xué)習(xí)及人機(jī)對(duì)話的方式持續(xù)提供反饋，能夠較好執(zhí)行各種自然語(yǔ)言處理任務(wù)。ChatGPT是人工智能特別是自然語(yǔ)言處理領(lǐng)域的一個(gè)革命性技術(shù)突破，代表人工智能發(fā)展的一個(gè)新方向，預(yù)計(jì)對(duì)人類生產(chǎn)方式、生活方式及社會(huì)治理方式等各個(gè)領(lǐng)域?qū)a(chǎn)生深遠(yuǎn)影響。

ChatGPT的主要方法論是“規(guī)模至上”，其算法基礎(chǔ)是大語(yǔ)言模型。大模型是參數(shù)維數(shù)極大的模型，這些參數(shù)需要通過(guò)數(shù)據(jù)訓(xùn)練或估計(jì)。大語(yǔ)言模型是指輸入數(shù)據(jù)主要為文本數(shù)據(jù)的大模型。大語(yǔ)言模型在深度學(xué)習(xí)發(fā)展階段就已出現(xiàn)。隨著人工神經(jīng)網(wǎng)絡(luò)模型的隱藏層不斷增加，其參數(shù)數(shù)量呈現(xiàn)快速增長(zhǎng)。文本數(shù)據(jù)本質(zhì)上是高維或超高維數(shù)據(jù)，簡(jiǎn)約模型無(wú)法刻畫(huà)異質(zhì)性高維數(shù)據(jù)的特征，因此需要使用大語(yǔ)言模型。從計(jì)量經(jīng)濟(jì)學(xué)與統(tǒng)計(jì)學(xué)視角看，大模型的最大優(yōu)點(diǎn)是系統(tǒng)偏差比較小。同時(shí)，由于ChatGPT的訓(xùn)練數(shù)據(jù)主要來(lái)自互聯(lián)網(wǎng)文本數(shù)據(jù)，樣本容量極其龐大，從而保證了大語(yǔ)言模型參數(shù)的估計(jì)精度。因此，大語(yǔ)言模型具有比較強(qiáng)的泛化能力，即樣本外預(yù)測(cè)能力。特別是大語(yǔ)言模型具有非線性規(guī)模效應(yīng)，隨著規(guī)模的增加，其預(yù)測(cè)能力呈現(xiàn)非線性增加。

在經(jīng)濟(jì)管理領(lǐng)域，人類很多決策均基于樣本外預(yù)測(cè)。如果使用某個(gè)領(lǐng)域的文本數(shù)據(jù)來(lái)訓(xùn)練模型，模型維度可能不用太大。但是，對(duì)通用人工智能技術(shù)，隨著異質(zhì)性文本數(shù)據(jù)的大量增加，小模型偏差較大，其樣本外預(yù)測(cè)能力變差。這時(shí)需要擴(kuò)大模型規(guī)模，使用更多數(shù)據(jù)訓(xùn)練模型，以提高泛化能力。隨著計(jì)算機(jī)科學(xué)特別是算力與算法的快速進(jìn)步，這種不斷擴(kuò)大規(guī)模的方法已成為通用人工智能技術(shù)的一個(gè)發(fā)展模式。

長(zhǎng)期以來(lái)，計(jì)量經(jīng)濟(jì)學(xué)與統(tǒng)計(jì)學(xué)面臨的一個(gè)困擾是“維數(shù)災(zāi)難”：當(dāng)模型參數(shù)維數(shù)相比數(shù)據(jù)容量不是很小時(shí)，雖然模型偏差比較小，但因?yàn)閰?shù)維數(shù)大，在有限數(shù)據(jù)容量條件下，對(duì)每個(gè)參數(shù)的估計(jì)不甚精準(zhǔn)，導(dǎo)致模型過(guò)度擬合，其樣本外預(yù)測(cè)能力較差。“維數(shù)災(zāi)難”不僅存在于計(jì)量經(jīng)濟(jì)學(xué)與統(tǒng)計(jì)學(xué)，在社會(huì)科學(xué)和自然科學(xué)很多領(lǐng)域也存在。ChatGPT通過(guò)使用海量互聯(lián)網(wǎng)大數(shù)據(jù)，確保訓(xùn)練數(shù)據(jù)容量遠(yuǎn)大于模型參數(shù)維數(shù)，從而避免了“維數(shù)災(zāi)難”。另外，大語(yǔ)言模型的結(jié)構(gòu)設(shè)計(jì)是深度、多維、多層、多頭的注意力結(jié)構(gòu)，可自適應(yīng)高維空間的稀疏與不平衡數(shù)據(jù)結(jié)構(gòu)，為避免“維數(shù)災(zāi)難”提供了一種表示學(xué)習(xí)的解決方案。

作為學(xué)術(shù)研究的好助手，ChatGPT可大幅提高研究效率。在經(jīng)濟(jì)學(xué)研究中，可借助ChatGPT搜索信息、收集數(shù)據(jù)、撰寫(xiě)文獻(xiàn)綜述、編寫(xiě)代碼、檢查程序、設(shè)計(jì)實(shí)驗(yàn)方案、翻譯文本等。雖然目前ChatGPT的表現(xiàn)有不少缺點(diǎn)，其整體智能水平與人類相比尚有不小的差距；但可以預(yù)計(jì)，隨著人工智能技術(shù)的發(fā)展以及ChatGPT廣泛應(yīng)用的經(jīng)驗(yàn)積累，ChatGPT的智能程度在很多方面將日益接近甚至超過(guò)人類。

ChatGPT及其大語(yǔ)言模型方法論可能會(huì)對(duì)經(jīng)濟(jì)學(xué)乃至整個(gè)社會(huì)科學(xué)的研究范式產(chǎn)生深遠(yuǎn)影響。例如，實(shí)驗(yàn)經(jīng)濟(jì)學(xué)研究表明，人類經(jīng)濟(jì)行為并不滿足完全理性假設(shè)，更多表現(xiàn)為有限理性，甚至存在預(yù)期偏差。ChatGPT及其大語(yǔ)言模型能夠改進(jìn)理性經(jīng)濟(jì)人假設(shè)；因此，基于人工智能或由人工智能輔助的經(jīng)濟(jì)決策可提供更有效的資源配置方案、改進(jìn)政策評(píng)估精準(zhǔn)性，以及提升經(jīng)濟(jì)決策的科學(xué)性等。本文聚焦討論ChatGPT及其大語(yǔ)言模型方法論對(duì)經(jīng)濟(jì)學(xué)研究范式的可能影響。

大模型與經(jīng)濟(jì)學(xué)研究范式

 計(jì)量經(jīng)濟(jì)學(xué)小模型范式

過(guò)去40年，經(jīng)濟(jì)學(xué)研究范式發(fā)生了一個(gè)深刻變革，即所謂的“實(shí)證革命”，也被稱為“可信性革命”。作為經(jīng)濟(jì)學(xué)實(shí)證研究最主要的方法論，計(jì)量經(jīng)濟(jì)學(xué)也日益成為社會(huì)科學(xué)很多領(lǐng)域的主流研究范式。2021年諾貝爾經(jīng)濟(jì)學(xué)獎(jiǎng)得主Joshua Angrist曾指出，應(yīng)用計(jì)量經(jīng)濟(jì)學(xué)所考慮的問(wèn)題和其他社會(huì)科學(xué)或者流行病學(xué)所考慮的問(wèn)題并無(wú)本質(zhì)區(qū)別，任何希望從數(shù)據(jù)中得到有用推斷的人都可稱為應(yīng)用計(jì)量經(jīng)濟(jì)學(xué)家。

計(jì)量經(jīng)濟(jì)學(xué)與統(tǒng)計(jì)學(xué)的一個(gè)基本建模原則是，使用盡量簡(jiǎn)約的模型即小模型刻畫(huà)數(shù)據(jù)特征及變量之間的關(guān)系。在20世紀(jì)，統(tǒng)計(jì)學(xué)存在參數(shù)與非參數(shù)建模的方法論之爭(zhēng)。統(tǒng)計(jì)學(xué)家Ronald Fisher認(rèn)為非參數(shù)模型因其參數(shù)維數(shù)高而估計(jì)不精確，主張使用參數(shù)維數(shù)較少的參數(shù)模型；另一位統(tǒng)計(jì)學(xué)家Karl Pearson則關(guān)注參數(shù)模型可能誤設(shè)而產(chǎn)生較大偏差，主張使用非參數(shù)模型。計(jì)量經(jīng)濟(jì)學(xué)也有類似爭(zhēng)論。2003年諾貝爾經(jīng)濟(jì)學(xué)獎(jiǎng)得主Robert Engle主張從特定模型出發(fā)，通過(guò)檢驗(yàn)遺漏變量等計(jì)量經(jīng)濟(jì)學(xué)方法拓展模型，這是所謂的“從特殊到一般”的建模方法；而倫敦計(jì)量經(jīng)濟(jì)學(xué)派代表人物David Hendry則主張從高維的一般模型出發(fā)，通過(guò)統(tǒng)計(jì)學(xué)假設(shè)檢驗(yàn)與經(jīng)濟(jì)理論約束條件等方法得到特定模型，這是所謂的“從一般到特殊”的建模方法。“從一般到特殊”的建模方法更適合大數(shù)據(jù)分析，更接近數(shù)據(jù)驅(qū)動(dòng)研究范式。但是，兩種建模方法的最終目的都是獲得一個(gè)具有經(jīng)濟(jì)可解釋性的簡(jiǎn)約模型，參數(shù)不多且有經(jīng)濟(jì)含義，同時(shí)擁有良好的樣本外預(yù)測(cè)能力。

為了獲得簡(jiǎn)約模型，計(jì)量經(jīng)濟(jì)學(xué)與統(tǒng)計(jì)學(xué)提出了很多經(jīng)典降維方法，如主成分分析、因子模型、模型選擇、經(jīng)濟(jì)理論約束等。在大數(shù)據(jù)時(shí)代，由于潛在解釋變量或預(yù)測(cè)變量很多，新的統(tǒng)計(jì)降維方法也不斷產(chǎn)生。例如，人工智能與統(tǒng)計(jì)學(xué)的交叉產(chǎn)生了一個(gè)新領(lǐng)域——統(tǒng)計(jì)學(xué)習(xí)，其中一個(gè)代表性降維方法是LASSO回歸。LASSO的基本思想是假設(shè)大量潛在解釋變量中只有少數(shù)變量有重要影響，在此稀疏性假設(shè)下，通過(guò)引入適合的懲罰項(xiàng)，以犧牲估計(jì)偏差為代價(jià)，換取估計(jì)方差的大幅度減少，從而顯著降低均方誤差，達(dá)到精準(zhǔn)選擇重要變量和改進(jìn)樣本外預(yù)測(cè)的目的。

計(jì)量經(jīng)濟(jì)學(xué)應(yīng)發(fā)展大模型范式

長(zhǎng)期以來(lái)，計(jì)量經(jīng)濟(jì)學(xué)與統(tǒng)計(jì)學(xué)使用的數(shù)據(jù)均是“小”數(shù)據(jù)，大量數(shù)據(jù)信息沒(méi)有被利用。計(jì)量經(jīng)濟(jì)學(xué)與統(tǒng)計(jì)學(xué)的研究范式以模型為重心，以降維為導(dǎo)向，這主要?dú)w因于經(jīng)濟(jì)學(xué)研究的可解釋性要求、數(shù)據(jù)容量有限及計(jì)算資源約束。隨著數(shù)智時(shí)代的到來(lái)，人工智能特別是機(jī)器學(xué)習(xí)，如LASSO、決策樹(shù)、隨機(jī)森林、支持向量機(jī)、人工神經(jīng)網(wǎng)絡(luò)模型及深度學(xué)習(xí)等方法，被廣泛應(yīng)用于經(jīng)濟(jì)學(xué)及社會(huì)科學(xué)其他領(lǐng)域的研究。實(shí)證研究表明，在經(jīng)濟(jì)金融預(yù)測(cè)方面，機(jī)器學(xué)習(xí)顯著優(yōu)于傳統(tǒng)計(jì)量經(jīng)濟(jì)學(xué)模型，但尚未達(dá)到令人滿意的程度，尤其是與其他領(lǐng)域（如人臉識(shí)別）相比，預(yù)測(cè)精準(zhǔn)性仍有待提升。目前機(jī)器學(xué)習(xí)在這方面表現(xiàn)較差的主要原因是經(jīng)濟(jì)金融系統(tǒng)是一個(gè)超高維動(dòng)態(tài)復(fù)雜系統(tǒng)，影響因素繁多并互相關(guān)聯(lián)，其相互關(guān)系呈現(xiàn)非線性特征并有時(shí)變性；此外，經(jīng)濟(jì)金融系統(tǒng)還受經(jīng)濟(jì)主體心理因素（如預(yù)期、情緒等）的影響。如此復(fù)雜的經(jīng)濟(jì)系統(tǒng)是不可能用小模型來(lái)刻畫(huà)其本質(zhì)規(guī)律的。

為了顯著改進(jìn)經(jīng)濟(jì)金融預(yù)測(cè)與提升模型的解釋力，可在計(jì)量經(jīng)濟(jì)學(xué)建模中考慮大模型范式。這里所說(shuō)的大模型是指參數(shù)維度較大的計(jì)量經(jīng)濟(jì)學(xué)模型，不一定要使用互聯(lián)網(wǎng)海量文本數(shù)據(jù)或深度學(xué)習(xí)方法，模型參數(shù)維度也可遠(yuǎn)小于ChatGPT那樣的數(shù)量級(jí)。大模型可容納高維潛在的影響因素，允許變量之間存在非線性關(guān)系，允許模型參數(shù)具有時(shí)變性，因此能夠顯著減少模型偏差。計(jì)量經(jīng)濟(jì)學(xué)與統(tǒng)計(jì)學(xué)的模型組合方法就是一種大模型范式，可得到比較穩(wěn)健、精準(zhǔn)的樣本外預(yù)測(cè)。經(jīng)濟(jì)學(xué)與計(jì)量經(jīng)濟(jì)學(xué)已有一些大模型，如投入產(chǎn)出模型、可計(jì)算一般均衡模型、宏觀經(jīng)濟(jì)學(xué)聯(lián)立方程模型，以及1980年諾貝爾經(jīng)濟(jì)學(xué)獎(jiǎng)得主Lawrence Klein提出的世界連接模型等，但這些模型大多受到數(shù)據(jù)容量等的限制。

大模型方法能夠成功的關(guān)鍵是適用于計(jì)量經(jīng)濟(jì)學(xué)建模的大規(guī)模數(shù)據(jù)的可獲得性。目前，計(jì)量經(jīng)濟(jì)學(xué)模型所使用的數(shù)據(jù)本質(zhì)上大多是“小”數(shù)據(jù)，不足以支持大模型的估計(jì)、推斷與預(yù)測(cè)。如何有效利用現(xiàn)有各種結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)，如何利用人工智能技術(shù)整合各種類型、各種抽樣頻率、各種來(lái)源的數(shù)據(jù)，構(gòu)建大規(guī)模的計(jì)量經(jīng)濟(jì)學(xué)數(shù)據(jù)庫(kù)，是大模型方法的一個(gè)前提條件。此外，大算力等信息技術(shù)基礎(chǔ)設(shè)施建設(shè)對(duì)大模型在計(jì)量經(jīng)濟(jì)學(xué)中的應(yīng)用也不可或缺。在國(guó)家層面，即將成立的國(guó)家數(shù)據(jù)局將負(fù)責(zé)協(xié)調(diào)推進(jìn)數(shù)據(jù)基礎(chǔ)制度建設(shè)，統(tǒng)籌數(shù)據(jù)資源整合共享和開(kāi)發(fā)利用，這將為大模型范式的探索與推廣提供重要支持。

人工智能技術(shù)的局限性

人工智能特別是ChatGPT及其大語(yǔ)言模型正在推動(dòng)經(jīng)濟(jì)學(xué)研究范式的深刻變革，但是人工智能技術(shù)也存在局限性。

以ChatGPT為代表的前沿人工智能目前仍沒(méi)有人類的意識(shí)或理解能力，只有預(yù)測(cè)能力。ChatGPT不久前在接受美國(guó)《時(shí)代》周刊采訪時(shí)表示，“說(shuō)我有知覺(jué)或意識(shí)是不準(zhǔn)確的。作為一個(gè)大型語(yǔ)言模型，我只是一個(gè)機(jī)器學(xué)習(xí)模型，沒(méi)有和人類一樣的意識(shí)。我沒(méi)有思想、感覺(jué)或經(jīng)歷，沒(méi)有能力做決定或獨(dú)立判斷。”ChatGPT無(wú)法理解生成單詞的上下文語(yǔ)境或含義，只能根據(jù)給定的訓(xùn)練數(shù)據(jù)，根據(jù)某些單詞或單詞序列一起出現(xiàn)的概率生成文本。因此，其不大可能擁有與人類一樣的批判性思維和想象力，無(wú)法從現(xiàn)有數(shù)據(jù)推斷出重大創(chuàng)新性成果。

基于大數(shù)據(jù)的人工智能因果推斷本質(zhì)上是一種統(tǒng)計(jì)關(guān)系推斷，并不一定是真正的因果關(guān)系。所謂因果關(guān)系，是指其他因素不變的條件下，某一變量的變化必然引起另一變量的變化。識(shí)別因果關(guān)系是經(jīng)濟(jì)學(xué)乃至社會(huì)科學(xué)研究的最根本問(wèn)題。經(jīng)濟(jì)學(xué)因果推斷的最有效方法是實(shí)驗(yàn)方法，如隨機(jī)控制實(shí)驗(yàn)。在因果推斷方面，計(jì)量經(jīng)濟(jì)學(xué)與統(tǒng)計(jì)學(xué)取得了長(zhǎng)足的方法論進(jìn)展。2021年，經(jīng)濟(jì)學(xué)家Joshua Angrist、David Card和Guido Imbens由于他們?cè)谝蚬茢喾椒ㄕ摲矫娴呢暙I(xiàn)而獲得諾貝爾經(jīng)濟(jì)學(xué)獎(jiǎng)。但是，由于現(xiàn)實(shí)大數(shù)據(jù)基本上是觀測(cè)數(shù)據(jù)而非實(shí)驗(yàn)數(shù)據(jù)，基于人工智能的因果推斷本質(zhì)上是一種相關(guān)關(guān)系或預(yù)測(cè)關(guān)系，是兩個(gè)變量之間在計(jì)算機(jī)中的統(tǒng)計(jì)關(guān)聯(lián)。在某種意義上，基于大數(shù)據(jù)的人工智能因果關(guān)系類似于英國(guó)哲學(xué)家休謨所闡述的因果關(guān)系，即兩個(gè)現(xiàn)象或變量在人腦中形成的慣常聯(lián)系。因此，人工智能因果關(guān)系和經(jīng)濟(jì)學(xué)因果關(guān)系并不完全一致。要識(shí)別經(jīng)濟(jì)學(xué)因果關(guān)系，不能僅依靠人工智能因果推斷技術(shù)，還必須有經(jīng)濟(jì)理論的指導(dǎo)或者引入實(shí)驗(yàn)方法。這一點(diǎn)，對(duì)可解釋性較弱的大模型尤為重要。

人工智能沒(méi)有改變經(jīng)濟(jì)學(xué)實(shí)證研究的本質(zhì)，即從樣本推斷總體性質(zhì)。雖然以ChatGPT為代表的人工智能使用了幾乎整個(gè)互聯(lián)網(wǎng)文本數(shù)據(jù)，但互聯(lián)網(wǎng)大數(shù)據(jù)并非全樣本。人類經(jīng)濟(jì)社會(huì)發(fā)展是一個(gè)長(zhǎng)期歷史過(guò)程，現(xiàn)有互聯(lián)網(wǎng)大數(shù)據(jù)只是這個(gè)歷史過(guò)程的一個(gè)樣本，即便其容量特別龐大。此外，經(jīng)濟(jì)發(fā)展在不同歷史階段具有不同的特征，經(jīng)濟(jì)運(yùn)行規(guī)律因此會(huì)呈現(xiàn)出時(shí)變性——有時(shí)是緩慢變化，有時(shí)是突變，這使得人工智能對(duì)經(jīng)濟(jì)金融未來(lái)變化趨勢(shì)的預(yù)測(cè)更具挑戰(zhàn)性。

（4）模型、算法與數(shù)據(jù)的可靠性有待驗(yàn)證。人工智能正在推動(dòng)經(jīng)濟(jì)學(xué)乃至整個(gè)社會(huì)科學(xué)研究從模型驅(qū)動(dòng)范式轉(zhuǎn)變到數(shù)據(jù)驅(qū)動(dòng)范式，從數(shù)據(jù)直接獲得穩(wěn)健的結(jié)論，克服了模型驅(qū)動(dòng)范式得到的結(jié)論可能會(huì)因模型改變而變化的缺陷。但是，互聯(lián)網(wǎng)大數(shù)據(jù)存在各種虛假信息，以ChatGPT為代表的人工智能仍無(wú)法確認(rèn)其表述內(nèi)容的真實(shí)性。此外，雖然容量非常龐大，互聯(lián)網(wǎng)大數(shù)據(jù)也存在“樣本選擇偏差”問(wèn)題，“數(shù)字鴻溝”就是一個(gè)重要例子。這些問(wèn)題不可避免地會(huì)影響基于互聯(lián)網(wǎng)大數(shù)據(jù)的ChatGPT乃至人工智能所獲得的結(jié)論的可靠性與科學(xué)性。

展望

我們正處于大數(shù)據(jù)、大科技、大模型的時(shí)代，加上中國(guó)超大人口規(guī)模和超大經(jīng)濟(jì)規(guī)模給人工智能技術(shù)帶來(lái)的廣闊應(yīng)用場(chǎng)景，這些將為經(jīng)濟(jì)學(xué)研究提供大量豐富的素材。應(yīng)當(dāng)充分利用所有數(shù)據(jù)資源，積極探索大模型研究范式，以更好揭示中國(guó)復(fù)雜經(jīng)濟(jì)系統(tǒng)的運(yùn)行與發(fā)展規(guī)律。

需要指出，強(qiáng)調(diào)大模型并不意味小模型不重要，大小模型分別適用于不同情境；強(qiáng)調(diào)大數(shù)據(jù)并不意味“小”數(shù)據(jù)不重要，“小”數(shù)據(jù)的信息密度通常更高；強(qiáng)調(diào)文本數(shù)據(jù)等非結(jié)構(gòu)化大數(shù)據(jù)并不意味結(jié)構(gòu)化數(shù)據(jù)不重要。歷史上，熱力學(xué)與統(tǒng)計(jì)物理學(xué)的發(fā)展經(jīng)驗(yàn)或許可以提供一些有用啟示：物理學(xué)黑體輻射研究曾經(jīng)出現(xiàn)兩個(gè)理論——在短波范圍擬合較好的“維恩近似”，以及在長(zhǎng)波范圍擬合較好的“瑞利-金斯定律”；后來(lái)，普朗克將兩者綜合起來(lái)，提出了覆蓋全波段范圍的“黑體輻射定律”。

在經(jīng)濟(jì)學(xué)研究中，大、小模型各有優(yōu)缺點(diǎn)，是否可以找到更好的科學(xué)方法把這兩種模型結(jié)合在一起，從而提高模型的可解釋性和預(yù)測(cè)力？關(guān)于小模型的研究已有很長(zhǎng)的歷史，經(jīng)濟(jì)學(xué)家對(duì)小模型在經(jīng)濟(jì)學(xué)實(shí)證研究中的優(yōu)點(diǎn)與局限性已有比較深刻的了解。但是，關(guān)于大模型的研究及大模型在經(jīng)濟(jì)學(xué)實(shí)證研究中的應(yīng)用還很少，因此需要大力探索發(fā)展大模型方法，并與小模型方法進(jìn)行比較。

（作者：洪永淼，中國(guó)科學(xué)院數(shù)學(xué)與系統(tǒng)科學(xué)研究院、中國(guó)科學(xué)院大學(xué)  經(jīng)濟(jì)與管理學(xué)院、中國(guó)科學(xué)院大學(xué)  數(shù)字經(jīng)濟(jì)監(jiān)測(cè)預(yù)測(cè)預(yù)警與政策仿真教育部哲學(xué)社會(huì)科學(xué)實(shí)驗(yàn)室（培育）；汪壽陽(yáng)，中國(guó)科學(xué)院數(shù)學(xué)與系統(tǒng)科學(xué)研究院、中國(guó)科學(xué)院預(yù)測(cè)科學(xué)研究中心、中國(guó)科學(xué)院大學(xué)  經(jīng)濟(jì)與管理學(xué)院；《中國(guó)科學(xué)院院刊》供稿）

相關(guān)文章