资讯 人工智能
此为临时链接,仅用于文章预览,将在时失效

诺贝尔奖得主 James Heckman 确认出席 CCF-GAIR 2019

作者:黄善清 编辑:汪思颖
2019/04/02 19:39

雷锋网 AI 科技评论按:由中国计算机学会(CCF)主办、雷锋网和港中大(深圳)联合承办的第四届「全球人工智能与机器人峰会」(CCF-GAIR)将于 2019 年 7 月 12 日至 14 日在深圳举行。自 2016 年创办以来,CCF -GAIR 已先后邀请到 10 余位中美两国院士、图灵奖得主、数十位 IEEE/ACM/IAPR Fellow、上百位在各自专业领域享有盛誉的学者以及 AI 领域的知名企业家、投资者和创新者做了大会报告及相关圆桌分享,是目前为止本土人工智能领域规格最高、影响力最大的峰会。

应 CCF-GAIR 2019 大会主席、港中大深圳校长徐扬生院士的邀请,诺贝尔经济学奖得主 James Heckman 将会莅临大会现场做主题报告。身为微观计量经济学的开创者,其早期在分析选择性抽样的原理和方法上的研究工作,为机器学习打下了坚实的统计学基础。

一起来了解他所取得的成就吧。

诺贝尔奖得主 James Heckman 确认出席 CCF-GAIR 2019

James J. Heckman,1944 年 4 月 19 日生于美国伊利诺斯州的芝加哥,曾就读于科罗拉多学院数学系,1971 年获普林斯顿大学经济系博士学位。曾在哥伦比亚大学、耶鲁大学、和芝加哥大学任教。从 1995 年起,赫克曼就在芝加哥大学获任亨利·舒尔茨杰出成就经济学教授,为芝加哥大学的教授。微观计量经济学的开创者,因对分析选择性抽样的原理和方法所做出的发展和贡献,与 Daniel McFadden 一起荣获 2000 年诺贝尔经济学奖。

敲开诺贝尔奖大门的 Heckman Correction

早年的计量经济学主要集中于宏观经济学,即研究以国民经济为主体的经济行为,至于涉及微观经济学层面的,如个人、住户与企业的经济行为问题,则较少有人研究,一方面是这方面的统计数据不易找到,另一方面则是微观数据的应用在当时产生了许多新的统计问题:

过去的研究只能观察某些变量的特定个体或家庭,由于是非随机抽样的样本,也就不可能具有代表性。退一步讲,即便样本具有代表性,影响个体行为的一些特征未必能被观察到,使得解释个体之间的某些差异变得异常困难,这是非实验性数据(non-experimental data)本身所固有的限制。

为此,James Heckman 设计出了一系列可以有效解决该问题的计量经济学方法,其中一项便是大名鼎鼎的赫克曼矫正法(Heckman Correction,又称两阶段方法)。

以研究工资和教育程度的关系为例,具体的演算可分为两个步骤:

第一步,研究者根据经济学理论设计出一个计算个体工作概率的模型,而该模型的统计估计结果可以用来预测每个个体的概率;


第二步,研究者将这些被预测个体概率合并为一个额外的解释变量,与教育、年龄等变量一起来矫正自选择问题。

诺贝尔奖得主 James Heckman 确认出席 CCF-GAIR 2019

首先,估计出不同教育水平的人,参加工作的概率各有多大,这可以通过经验数据模型得到。然后,删去不工作之人的样本,将余留的样本点依其工作概率的不同,垂直往下位移。工作概率愈小,向下位移愈大;工作概率愈大,向下位移愈小。工作概率百分之百的,不作位移。然后,对位移后的样本点,求出其回归线(上图)。

James Heckman 用该方法陆续处理了许多类似问题,如失业者再就业的时间间隔、职业培训的估价等。2000 年,诺贝尔奖委员会决定将该年经济学奖授予 James Heckman 与 Daniel McFadden,以奖励他们发展广泛应用在经济学以及其他社会科学中对个人和住户的行为进行统计分析的理论和方法,其中 James Heckman 的主要贡献是「对分析选择性抽样的原理和方法所做出的发展和贡献」:

诺奖委员会在 advanced information 特别提及 James Heckman 的 sample selection model 为何具有重要的现实应用价值——

http://www.nobelprize.org/nobel_prizes/economic-sciences/laureates/2000/advanced-economicsciences2000.pdf.

后来,赫克曼矫正法变成微观数据分析的标准工具,并在无意间影响了人工智能机器学习领域的发展。

众所周知,机器学习的标准方法是从对象集中取出一些样本,接着通过机器学习算法学习他们,从而产生一个预测机,然后基于统计学原理,从类似的目标集中采取新的样本,使预测机做出准确的预测。可一旦样本源自于目标集的子集或不相关的目标集,就会产生被称为协变量位移 (Covariate Shift) 或域匹配依赖 (domain adaptation depending) 的问题,对此,机器学习领域过去数十年所做的大量研究工作,大部分都基于 James Heckman 的研究。

改变人们对于重要公共政策的定义

James Heckman 并非成日埋头书斋里做学问的那种学者,反而致力于探究与不平等、社会流动性、歧视、劳动力市场等相关的重大社会及经济问题的起源,同时设计并评估针对这些问题的解决策略。他的工作植根于经济学,却积极地寻求跨学科合作,在劳动供给、薪资决定、失业期间、劳动市场辅导计划的效益评估、生育多寡、性别歧视等课题上都有丰硕的成果。

上文提到的 Heckman Correction 即起源于 James Heckman 一九七零年代对劳动供给的实证研究。他指出根据个体经济理论,工作与否是由劳动供给者的效用极大化过程来决定,而这个过程可以如下的方式解释:

劳动供给者根据自身的需求拟定出一个「保留工资」(ReservationWages),劳动供给者只有在找到薪水大于这个保留工资的工作后才会开始工作,也就是说一个人是否工作完全是根据保留工资和真正可拿到的薪水的比较来决定的。

这个机制不仅描述了劳动供给的决策过程,也同时解释了劳动供给资料为什么会有样本选择问题,于是有了后来的赫克曼修正法。

来到教育领域,他最具有代表性的工作则是佩里学前项目(Perry Preschool Project)。

参与该项目的父母更多采用积极的育儿方式,而更少采用专制型的育儿方式,通过对参与者的长期追踪研究,该项目发现相比于未参与项目的对照组儿童,参与该项目的儿童成年后在偏好、信念与技能上的均值都发生了显著变化:集体归属感更强、对人生的态度更加积极乐观、对他人更加热情友善。

对此,Heckman 教授强调,智力开发的干预越早越好,越往后越难。因此,他大力提倡开展对弱势群体孩子的早期项目。丰富家长养育知识、创设有利于提高孩子认知能力与非认知能力的环境、定期给孩子阅读以及提供贫困家庭孩子不可能获得的益智活动等都能带来智商方面的回报。

James Heckman 这一系列与社会紧密结合的研究工作,使之当选 2017 年度美国经济学会(American Economic Association)「杰出院士」(Distinguished Fellow)。

学会评价 James Heckman 不仅在许多方法类研究中作出了贡献,而且在劳动经济学领域为整个人类社会作出了更为重大的贡献:

「他使得我们重新思考了人类在健康与人力资本上的生命周期投资模式,并改变了人们对于重要公共政策的定义」。

今年,我们荣幸邀请到 James Heckman 莅临 CCF-GAIR 2019 大会现场为我们做大会报告,更多的讲者信息及议程,欢迎移步 CCF-GAIR 2019 大会官网进行了解。

此外,我们已正式上线盲订票与回馈票,以震撼的折扣回馈新老用户:

诺贝尔奖得主 James Heckman 确认出席 CCF-GAIR 2019

还等什么?抓紧时间抢购吧。

CCF-GAIR 2019 大会官网及盲订票入口:https://gair.leiphone.com/gair/gair2019

雷锋网 AI 科技评论届时将为大家带来第一手最新报道。

参考文献:

《Heckman两步法的内生性问题》.计量哥.计量经济圈

https://www.sohu.com/a/157114436_499061

《James J. Heckman:以技术创造解决收入差距与社会流动性问题》.当代经济学基金会

http://t.cn/EiSPmXT

长按图片保存图片,分享给好友或朋友圈

诺贝尔奖得主 James Heckman 确认出席 CCF-GAIR 2019

扫码查看文章

正在生成分享图...

取消
相关文章