Выбор инструментальных переменных с помощью LLM для улучшения причинно-следственного вывода.

 AI-Assisted Causal Inference: Using LLMs to Revolutionize Instrumental Variable Selection


Использование искусственного интеллекта для революции выбора инструментальных переменных

Проблема:

Эндогенность представляет собой значительное препятствие при проведении причинно-следственных выводов в наблюдательных условиях.

Решение:

Большие языковые модели (LLM) представляют собой многообещающий инструмент для поиска новых инструментальных переменных в исследованиях причинно-следственных связей.

Практическая ценность:

LLM могут проводить систематические поиски гипотез, участвовать в контрфактуальном рассуждении и помогать исследователям в поиске действительных инструментальных переменных.

Преимущества:

Этот подход позволяет быстро и систематически искать инструментальные переменные, увеличивает вероятность получения нескольких IV для формального тестирования и повышает шансы на нахождение или направление конструкции соответствующих данных, содержащих IV.

Методика:

Использование ChatGPT-4 (GPT4) от OpenAI для поиска IV в трех известных примерах из эмпирической экономики: доходность обучения, производственные функции и влияние сверстников.

Заключение:

Сотрудничество между исследователями и системами ИИ в методологиях причинно-следственных связей обещает открывать новые пути для более эффективных и информативных исследований в экономике и смежных областях.


Мобильная разработка на заказ и готовые решения

Мобильная разработка

Готовые и индивидуальные решения

Веб решения - разработка сайтов и сервисов

Web решения

Получите бесплатную консультацию по веб-разработке прямо сейчас

Аутсорсинг, подбор специалистов и команд разработки

Аутсорсинг

Выберите своего специалиста сегодня и начните свой проект