L'inferenza causale è un sottoinsieme della previsione, in cui si cerca di prevedere cosa succede quando viene applicato un trattamento. Quindi, tutta l'econometria è in realtà solo un sottocampo ristretto del machine learning predittivo.

@DamienTeney @austinc3301 probabilmente un economista ha scritto questo. dannati economisti

@austinc3301 Hai appena dimostrato che il "modello causale" è in un certo senso un "trucco" per risolvere il problema che a volte abbiamo con dati errati. Ma quando abbiamo dati buoni - quando vediamo tutte le U - il modello predittivo è tutto ciò di cui abbiamo bisogno.

@austinc3301 Otterremo sempre più dati, il che significa che alla fine, la previsione probabilmente supererà il "hack" temporaneo che è la modellazione causale. È stato un hack utile ed elegante, ma temporaneo.

@austinc3301 O sono distinguibili - in tal caso un modello predittivo li distinguerà - o non lo sono - in tal caso non lo farà. molto semplice

o qualcosa che è in un certo senso equivalente a un intervento (come, ciò che quegli economisti chiamano "strumenti"). Potresti chiamarlo "inferenza causale", io potrei chiamarlo "previsione", ma soddisfa la mia affermazione che la tua "inferenza causale" è in realtà solo un tipo speciale di esercizio di previsione.

@austinc3301 Hai persino ammesso che questo è corretto: "l'inferenza causale riguarda l'estensione della previsione statistica"

@austinc3301 Comunque, a parte il trolling, "inferenza causale" è semplicemente una previsione estrapolativa. Il punto sostanziale di Arpit è che ora ci sono modelli black box che sono anche piuttosto bravi nella previsione fuori campione in qualche modo, attraverso un approccio molto diverso dall'inferenza causale.

@SeanGailmard Fondamentalmente, la tua critica si applica solo ai cattivi modelli predittivi

@SeanGailmard Il DGP conta solo nella misura in cui influisce su controfattuali osservabili concepibili

@SeanGailmard Vedi, per esempio

@SeanGailmard non ha nulla a che fare con "il DGP"; tutto ha a che fare con previsioni migliori in contesti in cui ci sono problemi come selezione, confondimento, ecc.

@SeanGailmard Certo, sto 1/2 giocando a un gioco pedante sciocco, ma penso che ci sia una certa sostanza in esso

@SeanGailmard La mia affermazione originale era semplice: l'inferenza causale è semplicemente prevedere cosa succede quando viene applicato un trattamento. Non vedo perché questo implichi in alcun modo un modello predittivo universale o onnipotente.

@SeanGailmard Deve solo essere abbastanza buono da... prevedere cosa succede quando viene applicato un trattamento

@SeanGailmard Il modo in cui fai questo è trovare uno strumento o qualcosa del genere. La cosa a cui mi oppongo (mezzo scherzando) è pensare che questo sia sostanzialmente diverso da "previsione" in qualche modo