用统计机器学习观点理解,外生变量就是判别模型的自变量,内生变量就是因变量呗。
用强化学习模型,外生变量就好像不变的环境,内生就是agent的状态。
以上说的是宏观经济学语境下的内生外生变量,其原意是研究的经济体系外的比如天气,政治等因素为外生变量,待研究的为内生变量,符合第二点。实际操作的时候把外生的当作自变量,内生的当作因变量,符合我说的第一点。
再说说计量经济学,定义成了扰动项是否有自变量下条件期望为0的问题,是一个纯数学模型建模后的基于数学工具的判断,然后用工具变量法等解决。
我想从机器学习角度来理解一下,看看这里的问题。
既然说了是外部输入影响内部,强调因果关系,那这里可以对应成DAG模型,所谓外生变量就是所有入度为0的变量,理论上在一个dag完全图上,有且只有这么一个根节点变量为外生,而其他的都是内生变量。
而我们研究的是这个DAG的子图,有极少量被我们拿来研究和观测的变量从原始完全图上抠了下来,保留了原始的因果箭头方向,删除一些,最终确定了新的可能多个根节点,这些是我们真正拿出来的外生变量,剩下的是内生。