跨国增长实证研究的模型不确定性问题:机器学习的视角

作者：刘岩; 谢天

来源：中国工业经济, 2019, (12): 5-22.

DOI：10.19581/j.cnki.ciejournal.2019.12.001

• 跨国经济增长
• 机器学习
• 模型不确定性
• 变量排序
• 非线性特征 cross-country growth
• machine learning
• model uncertainty
• variable selection
• nonlinearity

过去30年间跨国经济增长实证研究领域提出了近150个增长决定因素,而全球200余个国家(地区)的样本限制意味着在总结跨国增长经验时必须考虑模型不确定性问题。有别于该领域经典文献所使用的传统计量方法,本文探索了新近的机器学习方法对该问题的分析所可能有的贡献。本文从小样本、变量排序、非线性特征三个角度说明具有一定特征的机器学习方法较传统计量方法可以更有效地处理模型不确定性问题。利用标准的跨国经济增长数据集,本文考察了10种常见机器学习方法的应用表现,并与3种传统计量方法作了比较。结果显示,套袋法与随机森林法及两者的拓展均能在小样本条件下对经济增长决定因素进行有效排序,灵活捕捉数据的非线性特征,让模...

• 单位
  武汉大学; 上海财经大学