查看原文
其他

活动回顾|清华大学计算社会科学与国家治理实验室双周沙龙暨计算社会科学工作坊(第29期)顺利举办






2022年12月23日,清华大学计算社会科学与国家治理实验室采取线上的方式,成功举办双周沙龙暨计算社会科学工作坊第29期活动。清华大学社会科学学院副教授谢丹夏,清华大学经济管理学院助理教授毛小介,应邀作主题报告并参与讨论。沙龙由清华大学社会科学学院副教授、实验室副主任孟天广主持。





曾繁旭:《全球气候传播与“双碳”战略中的计算传播》谢丹夏:《数据创新内生增长理论》

清华大学社会科学学院副教授谢丹夏以《数据创新内生增长理论》为题开展主题演讲。谢丹夏从数据创新内生增长理论的主要内容、数据生产力悖论以及数据对金融信贷市场的影响等方面作了详细介绍。他指出,与其他四个生产要素相比,数据这一生产要素具有非竞争性、可排他性、隐私与安全性。基于这些特性,斯坦福研究团队提出水平非竞争性模型,强调数据在生产过程中的作用机制;谢丹夏团队提出动态非竞争性模型,认为数据除了能共享给其他企业,提高生产效率外,还能作用于创造活动与创新过程,产生新知识并重复使用。数据经创新过程产生知识,具有“漂白凝练”效应,能够把数据原有的隐私成本消解,因此数据用于创新更有助于经济增长。当前,我们没有在生产率或GDP增长率里看到数据要素对经济增长的贡献,究其原因是因为没有考虑到数据基础设施会限制数据的非竞争性,并强调下一步我们需要加大对数据基础设施的投入。最后,谢丹夏阐述了数据对金融信贷市场的影响,他认为数据要素流动会形成成数字足迹数据,让金融科技公司在竞争中获取竞争优势,这使得科技公司与银行进行数据交易时,会形成“赢家通吃”现象,造成行业垄断。因此,数据要素流通和市场的建立,要注重新形势下低效率和垄断监管问题。

图|谢丹夏作主题演讲


曾繁旭:《全球气候传播与“双碳”战略中的计算传播》毛小介:《机器学习在因果推断中的应用》清华大学经济管理学院系助理教授毛小介《机器学习在因果推断中的应用》为题进行主题演讲。毛小介详细介绍了Causal Machine Learning(因果机器学习),即如何利用新兴的机器学习方法来解决因果推断中的一些问题,以及反过来如何利用因果推断中的理论来提高机器学习的表现。首先,他比较分析了计量经济学方法和机器学习方法在因果推断中应用的优劣势,认为传统方法有比较成熟的因果识别理论和统计推断方法,但其模型较简单,往往只能构建一种线性关系,对非线性关系的构建具有较大的局限性。相对而言,机器学习方法则非常灵活,可以构建非常复杂的关系,但是相应的统计推断较困难,可解释性不强。因此,他提出可用Chernozhukov在2018年提出的Debiased Machine Learning Framework来平衡以上两种方法的不足。该模型可以概括为以下几个步骤:首先构建模型,选定参数,利用计量经济学的理论,建立因果识别条件。其次,将因果推断中一些接近于预测的问题,使用机器学习方法处理。最后,介于机器学习方法会带来额外偏差,导致后续统计推断有问题,可以采用Debiased Machine Learning来解决这个问题。毛小介也指出,本次分享的模型只是机器学习在因果推断中应用的一小部分,还有很多应用值得我们进一步探索。

图|毛小介作主题演讲

本次沙龙活动得到了广大师生的关注和积极参与,共计160余人参加。主题演讲后,与会师生积极向谢丹夏和毛小介老师提问,就数据经济、机器学习等相关问题进行讨论和互动。


编制| 清华大学计算社会科学与国家治理实验室

转载| 版权归原作者所有,转载请注明出处。

来源| 清华大学计算社会科学与国家治理实验室


实验室简介

清华大学计算社会科学与国家治理实验室(LCG-THU)于2021年12月批准成立,实验室挂靠清华大学文科建设处,作为教育部批准建设的全国首批哲学社会科学实验室,是促进文科与理工学科交叉融合的综合支撑平台与创新基地。实验室由副校长彭刚兼任主任,公管学院教授孟庆国任执行主任
微信公众号LCG-THU邮箱号lcg-thu@tsinghua.edu.cn


继续滑动看下一个
清华计算社会科学与国家治理
向上滑动看下一个

您可能也对以下帖子感兴趣

文章有问题?点此查看未经处理的缓存