Statistical Inference and Statistical Learning in Economic Research - Selected Challenges

• Autorzy: Krzysztof Jajuga , Józef Pociecha , Mirosław Szreder

Warianty tytułu

Wnioskowanie statystyczne i uczenie statystyczne w badaniach ekonomicznych - wybrane wyzwania

• Języki publikacji: EN

Abstrakty

EN

This paper presents the main trends and the most important challenges related to the use of classical and modern statistical methods in economic research. The first part describes the key changes in quantitative economic and social research, including those related to technological progress. The main features of this evolution are the development of research infrastructure and changes in relations between researchers. The second discusses the need to find a compromise between easily accessible statisti- cal data sets, advanced statistical software to analyse them, and the formal requirements of statistical inference. The third part details the essence and principles of statistical learning and presents a panorama of statistical learning methods. This results in the formulation of a paradigm of statistical learning for conducting modern statistical research. (original abstract)

W pracy przedstawiono główne tendencje i najważniejsze wyzwania, związane ze stosowaniem klasycznych i współczesnych metod statystycznych w badaniach ekonomicznych. W pierwszej części został przedstawiony opis kluczowych przemian w ilościowych badaniach ekonomicznych i społecznych, między innymi związanych z postępem technologicznym. Głównymi cechami tej ewolucji są: rozwój infrastruktury badawczej oraz zmiany w relacjach między badaczami. Część druga poświęcona została dyskusji o konieczności znalezienia kompromisu pomiędzy łatwo dostępnymi zbiorami danych statystycznych i zaawansowanym oprogramowaniem statystycznym do ich analizy a formalnymi wymogami wnioskowania statystycznego. W trzeciej części przedstawiono istotę i zasady uczenia statystycznego oraz panoramę statystycznych metod uczenia. W efekcie prowadzi to do sformułowania paradygmatu uczenia statystycznego dla prowadzenia współczesnych badań statystycznych. Sprostanie współczesnym wymogom stojącym przed badaniami ekonomicznymi stanowi wyzwanie dla zastosowań metod ilościowych. (abstrakt oryginalny)

Słowa kluczowe

EN

Inferential statistics; Quantitative methods; Hypothesis testing; Technological progress

PL

Wnioskowanie statystyczne; Metody ilościowe; Testowanie hipotez; Postęp technologiczny

• Czasopismo: Ekonomista
• Rocznik: 2024
• Numer: nr 2
• Strony: 138--154

Twórcy

autor

Krzysztof Jajuga

• Uniwersytet Ekonomiczny we Wrocławiu

autor

Józef Pociecha

• Uniwersytet Ekonomiczny w Krakowie

autor

Mirosław Szreder

• Uniwersytet Gdański

Bibliografia

• American Association for Public Opinion Research. (2010). AAPOR Report on Online Panels. https://www.aapor.org/Education-Resources/Reports/Report-on-Online-Panels.aspx.
• Amrhein, V., Trafimow, D., Greenland, S. (2019). Inferential Statistics as Descriptive Statistics: There Is No Replication Crisis if We Don't Expect Replication. The American Statistician, 73(Sup1), 262-270. https://doi.org/10.1080/00031305.2018.1543137
• Angrist J., Azoulay, P., Ellison, G., Hill, R., and Lu, S. F. (2020). Inside Job or Deep Impact? Extramural Citations and the Influence of Economic Scholarship. Journal of Economic Literature, 58(1), 3-52.
• Banerjee, A., Duflo, E. (2009). The Experimental Approach to Development Economics. Annual Review of Economics, 1, 151-178.
• Banerjee, A., Duflo, E. (2014). Do Firms Want to Borrow More? Testing Credit Constraints Using a Directed Lending Program. Review of Economic Studies, 81(2), 572-607.
• Bogdanienko, J. (2018). Istota i problemy poznania naukowego. CeDeWu.
• Burnewicz, J. (2021). Filozofia i metodologia nauk ekonomicznych. PWN.
• Card, D. (2009). Immigration and Inequality. American Economic Review, 99(2), 1-21.
• Cochran, J. (2015). ASA Leaders Reminisce. Peter (Tony) Lachenbruch.
• Colander, D., Follmer, H., Haas, A., Goldberg, M.D., Juselius, K., Kirman, A., Lux, T., Sloth, B. (2009). The financial crisis and the systemic failure of academic economics. Kiel Working Paper, 1489.
• Derman, E. (1996), Model risk. Quantitative Strategies Research Notes. Goldman Sachs.
• Efron, B., Hastie, T. (2016), Computer Age Statistical Inference, Cambridge University Press.
• Finkelstein, A., Gentzkow, M., Williams, H. (2016). Sources of Geographic Variation in Health Care: Evidence from Patient Migration. Quarterly Journal of Economics, 131(4), 1681-1726.
• Fourcade, M., Ollion, E., Yann, A. (2015). The Superiority of Economists. Journal of Economic Perspectives, 29(1), 89-114.
• Gelman, A. (2018). The Failure of Null Hypothesis Significance Testing When Studying Incremental Changes, and What to Do About It. Personality and Social Psychology Bulletin, 44(1), 16-23.
• Gelman, A., Loken, E. (2014). The Statistical Crisis in Science. American Scientist, 102, 460-465.
• Goodman, S.N. (1999). Toward Evidence-Based Medical Statistics. 1: The P Value Fallacy. Annals of Internal Medicine, 12, 995-1021.
• Hastie, T., Tibshirani, R., Friedman, J. (2009). The Elements of Statistical Learning: Data Mining, Inference and Prediction. Springer.
• Hirschauer, N., Grüner, S., Mushoff, O., Becker, C., Jantsch, A. (2020). Can p-values be meaningfully interpreted without random sampling? Statistics Surveys, 14, 71-91.
• Hirschauer, N., Grüner, S., Mushoff, O., Becker, C., Jantsch, A. (2021). Inference using non-random samples? Stop right there! Significance, 18(5), 20-24.
• Ioannidis, J.P.A. (2005). Why Most Published Research Findings Are False. PLoS Medicine, 2.
• Jajuga, K., (2019). Nauki ekonomiczne - dylematy klasyfikacji dyscyplin. Tendencje zmian. Ewolucja nauk ekonomicznych, 140-150. PAN.
• Jajuga, K., (2023). Badania naukowe w ekonomii i finansach a rozwój technologiczny. W: M.J. Nowak, R. Rakoczy (red.), Nauka polska. Szanse, bariery i wyzwania (s. 153-170). Wydawnictwo Naukowe Scholar.
• James, G., Witten D., Hastie T., Robert Tibshirani R. (2013). An Introduction to Statistical Learning. Springer.
• Kass, R.E. (2011). Statistical Inference: The Big Picture. Statistical Science, 26(1), 1-9.
• Lanzano, C., Navarra C., Vallino E. (2021). Interdisciplinarity and the future of development studies after the 2019 Nobel Prize in economics. Anthropologie & développement, 315-329.
• Marglin, S. (2010). The Dismal Science: How Thinking Like an Economist Undermines Community, Harvard University Press.
• Merton, R.C. (1994). Influence of Mathematical Models in Finance on Practice: Past, Present and Future. Philosophical Transactions of The Royal Society, 347(1684), 451-463.
• Nordhaus, W D. (2018). Evolution of Modeling of the Economics of Global Warming: Changes in the DICE model, 1992-2017. Climatic Change, 148(4), 623-640.
• Pociecha, J. (2020). Philosophical foundations of statistical research. Przegląd Statystyczny, 67(3), 195-211.
• Pociecha, J. (2021). The paradigm of statistical inference and the paradigm of statistical. Przegląd Statystyczny, 68(1), 1-16.
• Szreder, M. (2022). Szanse i iluzje dotyczące korzystania z dużych prób we wnioskowaniu statystyczny. Wiadomości Statystyczne. Statistical Review, 8, 1-16.
• Truc, A., Santerre O., Gingras Y., Claveau F. (2021). The Interdisciplinarity of Economics, www.ssrn.org
• Vapnik, V. (1998). Statistical Learning Theory, Wiley.
• Wallgren, A., Wallgren B. (2007). Register-based Statistics: Administrative Data for Statistical Purposes, Wiley.
• Wasserstein, R, Lazar N. (2016). The ASA's statement on p-values: context, process, and purpose. American Statistician, 70, 129-33.

Identyfikatory

DOI

10.52335/ekon/188076