跨國增長實證研究的模型不確定性問題:機器學習的視角

作者：劉巖,謝天

摘要：過去30年間跨國經濟增長實證研究領域提出了近150個增長決定因素,而全球200余個國家(地區)的樣本限制意味著在總結跨國增長經驗時必須考慮模型不確定性問題。有別于該領域經典文獻所使用的傳統計量方法,本文探索了新近的機器學習方法對該問題的分析所可能有的貢獻。本文從小樣本、變量排序、非線性特征三個角度說明具有一定特征的機器學習方法較傳統計量方法可以更有效地處理模型不確定性問題。利用標準的跨國經濟增長數據集,本文考察了10種常見機器學習方法的應用表現,并與3種傳統計量方法作了比較。結果顯示,套袋法與隨機森林法及兩者的拓展均能在小樣本條件下對經濟增長決定因素進行有效排序,靈活捕捉數據的非線性特征,讓模型不確定性問題化繁為簡,得出更為清晰、穩健的結論。本文旨在說明,機器學習方法的應用有助于跨國增長經驗事實的歸納與理解,對于補充傳統計量方法的局限與不足具有一定的潛力。

發文機構：武漢大學經濟發展研究中心、經濟與管理學院 上海財經大學商學院

關鍵詞：跨國經濟增長機器學習模型不確定性變量排序非線性特征cross-country growthmachine learningmodel uncertaintyvariable selectionnonlinearity

分類號： F014[經濟管理—政治經濟學]