大数据时代对统计学和经济学的影响

1. 大数据的"大"

大数据最显著的特征就是 数据量大 ( large scope ) + 即时性 ( real time data )

比如: 你在超市收银机的数据, 网购的记录, 或者在线阅读( 比如在知乎的关注文章 ) 等等.

同时大数据时代带来了很多新的数据类型 (新在于对比以往经济学上运用的数据)

比如: 社交网络上发的微博或者朋友圈里所包含的文字数据 (这是以往经济分析中不太会使用的).

计量经济中的数据结构经常是矩阵型的, 也就是说通常收集 N 个观察项, K 个变量 (且 K << N)

大数据的数据结构显然不是这样, 很多情况下 K > N

计量中经常假设观察项之间是独立的, 但是在社交网络中观察项之间却是经常互相联结, 计量经济学未来在使用社交网络数据时如何处理这种观察项间的影响将成为一个关键.

2. 目前时髦的大数据应用: 预测建模 ( predictive modeling )

简而言之, 预测建模可以理解为: 已知 N 个观察 通过 K 个预测变量 来推导出相关性最强的 N 个结果.

大数据时代数据虽然丰富多了, 但是数据的质量却很容易下降.

比如: 纵使你有全国层次上百万级的观察项, 而你所研究的课题却是在市县层次. 容易造成大量不相关且描述不够详尽的数据.

而且这种统计方法面临一个权衡取舍:

在 K > N 的时候, 模型的样本外预测效果 ( out-of-sample performance ) 就会很差. 但是模型的样本内预测效果 (in-sample performance) 会很好.

而当经济学家考虑运用机器学习的方法时, 很容易想到卢卡斯批评( Lucas Critique ): 如果一个预测模型通过收集市场上已知的经济行为, 从而用来预测最优的政府干预政策时, 预测的结果可能并不准确, 因为预测出来的干预政策会改变市场的经济行为( 而这些正是和原模型中相关联的 )

3. 大数据时代已经为实证经济学研究提供了新的思路

美国统计局调查通货膨胀是使用派发问卷的方式, 回收的数据再分类到不同的通货膨胀指标中 (eg CPI). 大数据领域的 Billion Price Project ( BPP ) 运用实时的在线商店数据提供

一种 CPI 的替代指标 (这一指标在美国被验证 BPP 与 CPI 有很强的相关性).

其他的还有穆迪分析通过 MasterCard 和 Visa 的 Spending Pulse 来提供行业就业率的观测指标.

然而这些大数据还不够完美, 很显然这些数据的样本本身就不具有代表性. 比如: 利用 MasterCard 和 Visa 推导出的就业率指数首先就要求被调查者要至少有一张 MasterCard 或者 Visa.

4. 对经济学家的挑战

数据获取: 公共领域以及政府数据是否容易获得.

数据管理以及编辑能力: 经济学家是否有能力快速的把大数据高效地应用在经济学思想.

最重要的, 急需开发出创新的数据总结, 描述和分析的方法.