2019 年，经济学领域有哪些值得一读的好书？ 第1页

蟹 @真知拙见KnowledgeHot 邀。

我来介绍一本“工具书”好了，这本书是十月份加拿大的计量经济年会上和Guillaume.A Pouliot聊天的时候他推荐的。我正好是他的discussant，而他的论文是关于machine learning在结构模型估计中的应用的，于是我问他：你在芝加哥给学生上课会教机器学习么？他说他正在课上教授学生机器学习方面的知识，但是他在选择教材的时候有这样几个考虑：

1. 许多学生是本科生，或者是MBA的项目，不能要求太高的数理基础。
2. 内容要有趣并且“实用”，也不能要求太多的编程，最好就是有写好的例子和程序现成拿来就能用。
3. 因为学生毕竟是经济系和商学院为主，所以课程也不能纯粹讲机器学习，需要和经济学问题和计量方法结合。

出于上述的三点考虑，他介绍给了我这本有趣的书：Matt Taddy, 2019, Business Data Science: Combining Machine Learning and Economics to Optimize, Automate, and Accelerate Business Decisions.

大数据的兴起、数字化信息的大规模增长以及促进数据存储和分析的工程系统的发展，彻底改变了现代社会对数据的认知。企业管理者可以深入研究企业运营和客户行为的每一个细节。使用计量经济学/机器学习的工具，企业管理者不仅可以跟踪发生了什么，还可以预测企业的未来。这本书就是一本写给“未来的，或者正在从事企业管理“的人的工具书。

机器学习的发展教会了我们如何自动化和规模化，同时经济学家们带来了因果和结构建模的工具，统计学家又告诉了我们跟踪数据和不确定性对于结果可信度的影响。这本书合理地将这些方法和工具结合起来，让读者获得一个数据科学家的所应当具备的基本操作技能。书中主要阐述了如何识别商业/经济政策所需的变量，了解到如何通过经济学实验方法来测量这些变量，并挖掘社交媒体上关于公众对政策变化的反应的信息。与此同时，书中还阐述了如何将经济系统中我们观测到的微小变化与客户体验相联系，利用这些信息来估计用户的需求曲线，并且将其扩展到全公司范围内的数据，并准确地解释他们对结论的不确定性有多大。

早期的“预测分析”由于倾向于过分强调机器学习所以许多结果难免会显得华而不实，这本书的有趣之处在于他将机器学习和计量因果识别的理论相结合，除了预测分析之外也讨论了可信度和识别的问题。这对于企业面临的更深层次的问题是非常有必要的：我们更希望知道为什么会发生，而不是已经发生了什么。而问题的核心早已经被计量经济学家们提出，我们需要解决选择的问题。允许经济中的个体在接受和不接受“treatment"之间自由选择，这在传统的应用统计类学科比如说生物或物理科学中都相当罕见。所以在这本书中我们可以看到作者从相关性分析平滑过渡到因果分析，由浅及深，使得这本书更接近经济学，而不是数据科学的主流。

参考：Matt Taddy, 2019, Business Data Science: Combining Machine Learning and Economics to Optimize, Automate, and Accelerate Business Decisions