Előadást letölteni
Az előadás letöltése folymat van. Kérjük, várjon
KiadtaGyöngyi Fodorné Megváltozta több, mint 9 éve
1
Információ és tudás: a Big Data szerepe a közgazdaságtanban Vincze János 2015. 01.29
2
We are drowning in information but starved for knowledge. John Naisbitt, Megatrends, 1982. John Naisbitt
3
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
4
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.
5
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.
6
3. 1 Közgazdaságtan és adatok Hol van sok adat? Statisztikai hivatalok ? Privát, elektronikus adatok Adminisztratív Komplexitás és, főleg, strukturálatlanság a probléma.
7
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.
8
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.
9
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
10
4. 1 Mit adhat a Big Data? Adattárolás Adatelemzési eljárások: adattisztítás adatstrukturálás sűrítés becslés validáció előrejelzés
11
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
12
Statistics vagy statistical learning theory? Két filozófia Miben különböznek: Identifikáció és tesztelés avagy overfitting és validáció Big Data léte láthatólag kedvez az utóbbinak!
13
5.1 Üzleti alkalmazások Hitel default előrejelzés. Vásárlói szokások. Ügyfélvesztés előrejelzés. Általában célzott marketing
14
5.2 Közgazdasági alkalmazások Adat leírás: új árindexek egészségügyi kiadások Faji diszkrimináció a hitelezésben
15
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
16
7.1 Hol lehet a Big Data nyilvánvalóan hasznos? Adatkezelés Adattisztítás Nem-paraméteres becslések Validáció Heterogenítás kezelés De ki tudjuk-e használni a lehetőségeket?
17
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
18
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.
19
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.
20
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?
21
9.3 Big Data és validáció Bányásszunk adatot a nagy adathalmazunkból, és az ABM egyes realizációiból! Nézzük meg, hogy vannak-e közös jellemzők!
22
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?
23
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
Hasonló előadás
© 2024 SlidePlayer.hu Inc.
All rights reserved.