Információ és tudás: a Big Data szerepe a közgazdaságtanban Vincze János 2015. 01.29.

Slides:



Advertisements
Hasonló előadás
Jövő hálózati megoldások – Future Internet
Advertisements

A statisztika alkalmazása különféle tudományterületeken I. Közgazdaságtan és gazdálkodástudomány Kovács Péter.
ABO Institute Az egészségmegőrzés evolúciója. Az ABO Institute forradalmi újítása •Tudáskrízis: –Az orvostudomány összes tudása gyorsabban nő, mint amit.
Megnyitó Új közgazdasági perspektívák szakpolitikai relevanciái Fazekas Károly főigazgató MTA KRTK AZ MTA KRTK Közgazdaságtudományi Intézet és az MTA Emberi.
Hogyan gondolkodjunk az árakról Állnak a falak… BUDAPEST május 22.
Mi látszik egy jéghegyből?
Elméleti és gazdaságpolitikai tanulságok és teendők – öt évvel a krízis után Treasury Klub konferencia Budapest, május 29. Bod Péter Ákos
Energiatervezési módszerek
BEVEZETÉS A KÖZGAZDASÁGTANBA I.
Bevezetés a közgazdaságtanba2006/2007. tanév, 1. félév 1. előadás 1 BEVEZETÉS A KÖZGAZDASÁGTANBA Előadás: szerda óra, Laky Dezső terem (GO3) Előadó:
Formalizálás, matematizálás és ökonometria
Üzleti intelligencia Kecskemét 2007 ősz. BI Business Intelligence Üzleti Intelligencia Bevételnövelő és költségcsökkentő lehetőségek feltárása, döntéstámogatás.
Vámossy Zoltán 2004 (H. Niemann: Pattern Analysis and Understanding, Springer, 1990) DIP + CV Bevezető II.
A munkapiaci-előrejelzések gyakorlata: kitől tanulhatunk? Cseres-Gergely Zsombor, MTA KTI.
Ki is az elemző közgazdász?
Statisztika a szociológiában
Préda-ragadozó interakciók modellezésének lehetőségei R-ben.
Játékelmélet Kovács Dániel László Intelligens Rendszerek kutatócsoport
Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs Rendszerek Tanszék Bin-summarise-smooth: ‚bigvis’ „Big Data” elemzési módszerek.
Ptol-1 Ptolemy Claudius, the great Greek mathematician lived and worked in the 2 nd century B.C. An important theorem about inscribed quadrilaterals.
1 Tudásalapú információ-kereső rendszerek elemzése és kifejlesztése Célkitűzés: Információk téma-specifikus, különböző típusú forrásokból (internet, intranet.
Web 2.0 Budapest – San Francisco Only the Web 2.0 Conference brings the intelligence, innovation, and leadership of the internet industry together in one.
A Dublin-i Future Internet Assembly üzenetei Sallai Gyula, Vilmos András Jövő Internet Kutatáskoordinációs Központ Budapest, június 4.
ONTOLÓGIA és TUDÁSREPREZENTÁCIÓ Szőts Miklós Alkalmazott Logikai Laboratórium
A DÖNTÉSHOZATAL METODIKÁJA.
Logika szeminárium Előadó: Máté András docens Demonstrátorok:
Körmendi György SPSS Hungary 2007 november 6. Magyar nyelvű szöveganalitika.
Energiatervezési módszerek
A varázslat világába lépsz be... Enter the world of magic …
Iskola-egészségügyi Konferencia augusztus Informatikai lehetőségek az iskola/ifjúság-egészségügyi munkában Wenhard Andrea egészségügyi szakközgaszdász.
Logika szeminárium Előadó: Máté András docens Demonstrátorok:
Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs Rendszerek Tanszék Megerősítő elemzés „Big Data” elemzési módszerek Salánki.
PPKE ITK 2009/10 tanév 8. félév (tavaszi) Távközlő rendszerek forgalmi elemzése Tájékoztatás GY. – 02.
Információ és tudás: A Big Data szerepe a közgazdaságtanban Vincze János BCE és MTA KRTK KTI MAFIHE Téli Iskola.
Bevezetés a méréskiértékelésbe (BMETE80ME19)
Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs Rendszerek Tanszék R „Big Data” elemzési módszerek Kocsis Imre
Kutatási beszámoló 2002/2003 I. félév Iváncsy Renáta.
Miért megint diuretikumok? (Bevezetés) Prof. Dr. Radó János főorvos Virányos Klinika, Budapest.
PÁRHUZAMOS ARCHITEKTÚRÁK – 13 INFORMÁCIÓFELDOLGOZÓ HÁLÓZATOK TUDÁS ALAPÚ MODELLEZÉSE Németh Gábor.
Mindannyian Ságvári Bence adatok -- Big Data Day 2013 leszünk… Társadalomtudomány a Nagy Adat korában.
Indiai tanmese az elefántról …. “The Blind Men and the Elephant", by John Godfrey Saxe ( ). It was six men.
Nagy Máté Ferenc Budapest VIRGO – ELTE TTK Fizika MSc 2012 GPU-nap NUMERIKUS GRAVITÁCIÓELMÉLETI SZÁMOLÁSÁSOK GPU-N.
Have you ever asked yourself: PART FCL – What's behind it and how does it affect me? Airprox – What to do when coming too close? Alternative propulsion.
Sándorné Kriszt Éva Az MTA Statisztikai és Jövőkutatási Tudományos Bizottság nyílt ülése Lillafüred, október MTA SJTB Budapesti Gazdasági Főiskola.
Üzleti igények avagy Mit kellene megbeszélnem az informatikai vezetőmmel? Bőgel György CEU Business School.
Information on the sources of information on the quality of education Hungary Daniel Horn research fellow MTA KRTK KTI and ELTEcon
ADAT – Információ – Tudás
Simon Péter főtitkár Bolyai János Matematikai Társulat
Értékteremtő üzleti megoldások a BI segítségével
A könyvtári integrált rendszerek statisztikai moduljának használata
“Tudásmegosztás és szervezeti problémamegoldás a mesterséges intelligencia korában” Levente Szabados Technológiai Igazgató.
Most akkor ez mit is jelent? - számok és értelem
Logika szeminárium Barwise-Etchemendy: Language, Proof and Logic
Adatelemzés a szociális médiában
„Big Data” elemzési módszerek
Polymer Theory Why are we looking at polymer theory?
Lívia Vasas, PhD 2018 Disszertációk Lívia Vasas, PhD 2018.
Üzleti intelligencia megoldások, avagy vezetői döntéstámogatás (XXI.)
Oktatás-Informatika-Pedagógia konferencia (OIP 2018)
Lívia Vasas, PhD 2018 Disszertációk Lívia Vasas, PhD 2018.
Andrea Karpati, Eotvos University, Budapest
Lívia Vasas, PhD 2018 Disszertációk Lívia Vasas, PhD 2018.
Business Intelligence (Üzleti Intelligencia)
Zoltán Baracskai In the age of digital natives: fast thinking, experience mining, and rule based behaviour these three metaphors are sufficient to describe.
egyetemi docens, tanszékvezető, KJE
Lívia Vasas, PhD 2018 Disszertációk Lívia Vasas, PhD 2018.
A kutatás filozófiája.
„Networking and participation – for the more effective representation of the interest of people experiencing poverty Getting funding from the European.
Lívia Vasas, PhD 2019 Disszertációk Lívia Vasas, PhD 2019.
Lívia Vasas, PhD 2019 Disszertációk Lívia Vasas, PhD 2019.
Előadás másolata:

Információ és tudás: a Big Data szerepe a közgazdaságtanban Vincze János

We are drowning in information but starved for knowledge. John Naisbitt, Megatrends, John Naisbitt

Vázlat 1. Mi a „Big Data”? 2. Közgazdaságtan és Big Data 3. Közgazdaságtan és adatok 4.Mit adhat a Big Data forradalom? 5. Üzleti és közgazdasági alkalmazások 6. Egy példa: Epagogix. 7. Big Data és arbitrázs lehetőségek 8. Indukció és tudás 9. Ágens-alapú modellezés és Big Data 10. Összefoglalás

1. Miről beszélünk? Mi a „Big Data”? Nagyon sok komplex és/vagy strukturálatlan adat Illetve az ezek léte miatt kifejlesztett/preferált - adattárolási eljárások - elemzési technikák. Sajátos szemlélet így összességében.

2. Közgazdaságtan és Big Data Varian: Big Data - New Tricks for Econometrics (2014) There have been very fruitful collaborations between computer scientists and statisticians in the last decade or so, and I expect collaborations between computer scientists and econometricians will also be productive in the future. Einav-Levin: The Data Revolution and Economic Analysis (2014, NBER) As economists who happen to live and work in the epicenter of the data revolution, Silicon Valley, we have wondered for some time about how these developments might affect economics, especially economic research and policy analysis. In this article, we try to offer some thoughts.

3. 1 Közgazdaságtan és adatok Hol van sok adat? Statisztikai hivatalok ? Privát, elektronikus adatok Adminisztratív Komplexitás és, főleg, strukturálatlanság a probléma.

3.2 Közgazdászok és adatok Nagyapám soha nem evett fasírtot; az étteremben azért nem, mert nem tudta mi van benne, otthon azért nem, mert tudta. (Zvi Grilliches) Strukturált adatokkal (keresztmetszet, idősor, panel) kezdődik az ökonometria tananyag.

3.3 Közgazdászok és adatelemzés Ökonometria a Neyman-Pearson matematikai statisztika (és a bayes-i) leszármazottja. Data mining: illetlenség, de olyan, amit senki sem tud mellőzni.

3.4 Empíria és közgazdaságtudomány Deduktív szemlélet: szégyellnivaló a visszacsatolás az adatokból az elmélethez Becslés és hipotézis vizsgálat a legfontosabb Tényfelfedezés: alacsonyabb rendű Predikció: úgysem megy

4. 1 Mit adhat a Big Data? Adattárolás Adatelemzési eljárások: adattisztítás adatstrukturálás sűrítés becslés validáció előrejelzés

4.2 Adatelemzési eljárások Nem feltétlenül újak, de a sok adat hatására rohamosan fejlődnek vagy legalábbis sokasodnak. Példa: SVM (Support vector machine) Eredetileg klasszifikációs-predikciós eljárás Nem-matstat megközelítés Overfitting a központi probléma Számos sikeres alkalmazás De kauzális interpretációra nem igazán alkalmas

Statistics vagy statistical learning theory? Két filozófia Miben különböznek: Identifikáció és tesztelés avagy overfitting és validáció Big Data léte láthatólag kedvez az utóbbinak!

5.1 Üzleti alkalmazások Hitel default előrejelzés. Vásárlói szokások. Ügyfélvesztés előrejelzés. Általában célzott marketing

5.2 Közgazdasági alkalmazások Adat leírás: új árindexek egészségügyi kiadások Faji diszkrimináció a hitelezésben

6. Példa: Epagogix „Big Data módszerek Eredmény: filmkészítés profitabilitása nőhet. Kinek kell és kinek nem kell? A tudás jellege: átmeneti (arbitrázs) általános egyensúlyi hatás Lucas-kritika nincs lehetőség kritikára

7.1 Hol lehet a Big Data nyilvánvalóan hasznos? Adatkezelés Adattisztítás Nem-paraméteres becslések Validáció Heterogenítás kezelés De ki tudjuk-e használni a lehetőségeket?

7.2 Hol kellene szemléletet változtatni? Adatstrukturálás adatbányászattal. Gazdaságpolitikai arbitrázs lehetőségek felismerése: időleges előrejelzések megbecsülése. Mit lehet előrejelezni kérdés? Identifikáció és overfitting Validációs technikák alkalmazása, és az agnosztikus szemlélet Dedukció és indukció

8. Kreálhat-e és pótolhat-e tudást? Antibiotikumok, mint arbitrázs lehetőség. Mély tudást csak a baktériumok biokémiája szolgáltathat, nem a statisztika. Az állapottér mélysége is fontos! Időtlen indukció? Miért ne, de számítani nem lehet rá.

9. 1 Közgazdasági modellek és a valóság Hagyományos statisztikai szemlélet: mintamomentumokat akarunk magyarázni Érvelés: Nem-ergodikus esetben nincs haszna egyetlen minta momentumainak. Mivel csak egy mintánk van, ezért ergodikus modelleket kell csinálnunk.

9.2 Ágens-alapú modellek Heterogenitás: a szimulációk nagy adathalmazt generálnak. Hasonlóan az evolúciós modellekhez a szimulált idősorok nem feltétlenül ergodikusak. Hogyan lehet validálni egy ilyen modellt egy minta alapján?

9.3 Big Data és validáció Bányásszunk adatot a nagy adathalmazunkból, és az ABM egyes realizációiból! Nézzük meg, hogy vannak-e közös jellemzők!

9.4 Ágens-alapú modell példa Megtakarítási modell: az egyes pályák hasonlítanak, de a momentumoknak nagyon mások. Ezt a hasonlóságot vissza tudjuk-e adni a tényeknél? A dezaggregált tulajdonságokra illesszünk inkább, vagy az aggregált tulajdonságokra?

10. Összefoglaló Big Data: új szemléletre ösztönöz a közgazdaságtanban A haszna „arbitrázs” problémáknál nyilvánvaló A tudást biztosan nem tudja tökéletesen helyettesíteni, de segíthet felhalmozni A közgazdasági modellezésnek új utakat nyithat