Aprendizado de Máquina: Uma Abordagem Econométrica Aplicada

Máquinas estão cada vez mais realizando tarefas “inteligentes”. Algoritmos de reconhecimento facial utilizam um grande conjunto de dados de fotos rotuladas como contendo ou não um rosto para estimar uma função que prevê a presença y de um rosto a partir dos pixels x. Essa semelhança com a econometria levanta questões: Como essas novas ferramentas empíricas se encaixam com o que sabemos? Como economistas empíricos, como podemos usá-las? Apresentamos uma forma de pensar sobre aprendizado de máquina que lhe confere um lugar próprio na caixa de ferramentas econométrica. O aprendizado de máquina não apenas fornece novas ferramentas, ele resolve um problema diferente. Especificamente, o aprendizado de máquina gira em torno do problema da predição, enquanto muitas aplicações econômicas giram em torno da estimação de parâmetros. Portanto, aplicar aprendizado de máquina à economia requer encontrar tarefas relevantes. Os algoritmos de aprendizado de máquina agora são tecnicamente fáceis de usar: você pode baixar pacotes convenientes em R ou Python. Isso também aumenta o risco de que os algoritmos sejam aplicados de forma ingênua ou que seus resultados sejam interpretados incorretamente. Esperamos torná-los conceitualmente mais fáceis de usar ao fornecer uma compreensão mais clara de como esses algoritmos funcionam, onde eles se destacam e onde podem falhar — e assim onde podem ser aplicados de forma mais útil.